添加人脸识别API

基于serengil/deepface 实现的人脸识别API

通过添加人脸识别-API，可以替代MT Photos服务端内置的人脸识别程序来进行人脸特征识别任务；

如果您的NAS CPU性能较低，可以先使用性能更强的电脑运行人脸识别API服务；

可以等完成第一次全量识别后，再切换回使用NAS上部署的人脸识别API服务，人脸识别API仅执行识别部分任务，识别的结果都会存储在MT Photos数据库中；

另外也可以使用更高效、更准确的insightface模型教程

https://github.com/MT-Photos/mt-photos-deepface/issues/16

https://gitee.com/mt-photos/mt-photos-deepface/issues/IAM6GM

1. 代码仓库

相关代码已开源在 https://github.com/MT-Photos/mt-photos-deepface

2. 安装

Windows可以使用Windows 一键安装包

镜像说明 DockerHub镜像仓库地址： https://hub.docker.com/r/mtphotos/mt-photos-deepface

镜像Tags说明：

• latest：适用于支持avx指令集cpu，比如：Intel酷睿、至强处理器，以及AMD大多数的处理器；
• noavx-latest： 适用于不支持avx指令集的cpu，比如：大多数的Intel赛扬、奔腾处理器；

以上镜像仅支持X86架构机型运行，不支持ARM架构机型

2.1 1.下载镜像

docker pull mtphotos/mt-photos-deepface:latest

当CPU不支持avx指令集时，请替换上方的 latest 为 noavx-latest

看不懂命令行？

5分钟了解Docker：https://mtmt.tech/docs/example/intro

2.1.1 镜像加速

提示：当无法访问DockerHub时，请使用以下命令拉取镜像

docker pull registry.cn-hangzhou.aliyuncs.com/mtphotos/mt-photos-deepface:latest docker tag registry.cn-hangzhou.aliyuncs.com/mtphotos/mt-photos-deepface:latest mtphotos/mt-photos-deepface:latest

当CPU不支持avx指令集时，请替换上方的 latest 为 noavx-latest

第1条命令为拉取镜像

第2条命令为将镜像标记为Docker hub源，这样可以在图形化创建容器时使用

CUDA版本镜像

docker pull mtphotos/mt-photos-deepface:cuda-latest

CUDA 版本 12.3.0 以上，显卡驱动版本 >=545.23.06

提示：当无法访问DockerHub时，请使用以下命令拉取镜像

#下载镜像： docker pull registry.cn-hangzhou.aliyuncs.com/mtphotos/mt-photos-deepface:cuda-latest docker tag registry.cn-hangzhou.aliyuncs.com/mtphotos/mt-photos-deepface:cuda-latest mtphotos/mt-photos-deepface:cuda-latest #启动容器： docker run --gpus all -i -p 8066:8066 -e API_AUTH_KEY=mt_photos_ai_extra --name mt-photos-deepface mtphotos/mt-photos-deepface:cuda-latest

2.2 2. 创建容器

docker run -i -p 8066:8066 -e API_AUTH_KEY=mt_photos_ai_extra --name mt-photos-deepface mtphotos/mt-photos-deepface:latest

当CPU不支持avx指令集时，请替换上方的 latest 为 noavx-latest

如果识别速度很慢，可以使用环境变量： -e DETECTOR_BACKEND=mtcnn 来指定人脸检测模型为mtcnn，mtcnn识别速度会快一些，不过识别的准确度会低一些；

说明：

• -p 8066:8066 端口映射，访问容器的端口
• -e API_AUTH_KEY=mt_photos_ai_extra 环境变量API_AUTH_KEY是容器内部用来验证请求来源的，请记得修改api_key
  • API_AUTH_KEY的值可以是一段字符串，比如051C78C4D217DB28
  • 在MT Photos后台添加API时需要填入这个API_AUTH_KEY

2.3 3、返回MT Photos添加人脸识别api

接口地址 填写 http://[nas的ip]:8066

API_AUTH_KEY 填写 mt_photos_ai_extra （这是默认值，如果上一步有修改过，用修改过的值）

API并发数 控制同时识别的任务数，填写1

人脸置信度阈值 如果人脸检测模型用的是默认的retinaface，建议填写0.99 ；如果是其他模式建议填写0.9；

人物匹配差异值阈值 如果人脸特征提取模型用的是默认的Facenet512，建议填写0.15；；

2.4 使用docker-compose创建MT Photos 和 AI、人脸识别API容器

docker-compose.yaml 模板文件:

version: "3" services:   mtphotos:     image: mtphotos/mt-photos:latest     container_name: mtphotos     restart: always     ports:       - 8063:8063     volumes:       - /volume1/docker/mt_photos/config:/config       - /volume1/photos/mt_photos_upload:/upload       - /volume1/xxx/其他需要映射的目录:/photos     environment:       - TZ=Asia/Shanghai       -.UTF-8     depends_on:       - mtphotos_ai       - mtphotos_face_api   mtphotos_ai:     image: mtphotos/mt-photos-ai:onnx-latest     container_name: mtphotos_ai     restart: always     ports:       - 8060:8000     environment:       - API_AUTH_KEY=mt_photos_ai_extra   mtphotos_face_api:     image: mtphotos/mt-photos-deepface:noavx-latest     container_name: mtphotos_face_api     restart: always     ports:       - 8066:8066     environment:       - API_AUTH_KEY=mt_photos_ai_extra

如果使用yaml同时部署 mtphotos、mtphotos_ai和mtphotos_face_api，在MT Photos后台添加人脸识别API时， 接口地址可以填写 http://mtphotos_face_api:8066

2.5 yaml语法三大规则

2.5.0.1 规则一：缩进

yaml使用一个固定的缩进风格表示数据层结构关系，需要每个缩进级别由两个空格组成。一定不能使用tab键

2.5.0.2 规则二：冒号

services: image: mtphotos/mt-photos:latest

每个冒号后面一定要有一个空格（以冒号结尾不需要空格）

2.5.0.3 规则三：短横线

想要表示列表项，使用一个短横杠加一个空格。多个项使用同样的缩进级别作为同一个列表的一部分

environment:   - TZ=Asia/Shanghai   -.UTF-8   - PUID=1000   - PGID=100

2.6 Windows安装包

仅支持Win 10及以上系统

1、从下方网盘分享链接中下载 MT_Photos_Deepface_V1.0.0_Setup.exe

• 「阿里云盘」 https://www.aliyundrive.com/s/BisLTt6emaz
• 「百度网盘」 https://pan.baidu.com/s/1r77cbxNOngL07Oh2S7-umA?pwd=0101 提取码：0101
• 「GitHub」 https://github.com/MT-Photos/mt-photos-deepface/releases/tag/windows_exe_1.0.0

2、下载后，双击MT_Photos_Deepface_V1.0.0_Setup.exe，等待安装完成

3、打开MT Photos Deepface，等待显示 Uvicorn running on http://0.0.0.0:8066

如果无法访问http://127.0.0.1:8066， 那么有可能是8066端口被占用了

请修改程序文件夹下 .env 文件中的 HTTP_PORT；比如 HTTP_PORT = 8067

如果需要修改api_key，请修改 .env 文件中的API_AUTH_KEY

.env文件修改之后，请关闭 mt-photos-deepface-server.exe，然后再重新打开

如果局域网内其他客户端无法访问，请在Windows防火墙中找到【允许应用通过防火墙】，在底部【允许其他应用】中添加mt-photos-deepface-server.exe

3. 自定义

3.1 自定义向量长度

如果人脸特征提取模型用的不是Facenet512，可以在API配置中点击 自定义向量长度 设置数据库中存储人脸特征字段的长度

3.2 自定义模型

• -e DETECTOR_BACKEND=retinaface 自定义人脸检测模型
  • DETECTOR_BACKEND 可以是这些 'opencv', 'ssd', 'dlib', 'mtcnn', 'retinaface', 'mediapipe', 'yolov8', 'yunet', 'fastmtcnn'
• -e RECOGNITION_MODEL=Facenet512 自定义人脸特征提取模型
  • RECOGNITION_MODEL 可以是这些："VGG-Face", "Facenet", "Facenet512", "OpenFace", "DeepFace", "DeepID", "ArcFace", "Dlib", "SFace", "GhostFaceNet"

3.2.1 模型目录映射

镜像已内置 retinaface.h5 和 facenet512_weights.h5，如果不修改识别模型，不需要添加目录映射；

当指定了别的模型，容器内下载模型很慢，可以增加 /models 目录映射

-v /host_path:/models

然后将对应的预训练模型放到容器内的 /models/.deepface/weights/ 下；

比如 /models/.deepface/weights/retinaface.h5

预训练模型下载地址：https://github.com/serengil/deepface_models/releases/tag/v1.0