facex-zoo和insightface_pytorch性能评估

运行环境：

• ubuntu16  x64 
• python >= 3.6.5
• pytorch >= 1.1.0
• torchvision >= 0.3.0
• 笔记本电脑华硕CPU i7-5500l  GPU Geforce 940M
• 网络摄像头720p

人脸注册和人脸识别：

人脸注册和人脸识别两者使用相同的方式，人脸库大小为500*4=2000

拍摄注册底片时尽量使用相同背景，这里的测试图片是480p的，最好大于等于720p

测试数据集：

中科院开源的中国人脸数据集CASIA-FaceV5，包含500个人，每人5张共2500张照片

每个人的5张照片，其中4张作为底片注册到人脸库，另外1张作为识别对象

测试模型：

人脸检测和人脸对齐：

facex-zoo：

使用的目前准确度最好的retina网络和人脸关键点的检测模型pfld

500*4=2000张图片全部识别成功，成功率100%

insightface_pytorch：

使用的MTCNN模型

500*4=2000张图片，20张识别失败，成功率99%

人脸识别：

设置识别距离阈值为1.0（越小越好）

时间（包含检测时间）：

facex-zoo 

Resnet50-ir：500张人脸识别花费66.1296s，平均一张132ms

Mobilefacenet：500张人脸识别花费38.6608s，平均一张77ms

insightface_pytorch 

Resnet50-irse：500张人脸识别花费64.3836s，平均一张128ms

Mobilefacenet：500张人脸识别花费24.5108s，平均一张49ms

 

准确率：

facex-zoo 

Resnet50-ir：500张人脸全部识别成功，识别成功率为100%，识别的距离最大为0.58

Mobilefacenet：500张人脸全部识别成功，识别成功率为100%，识别的距离最大为0.88

insightface_pytorch 

Resnet50-irse：500张人脸，一张识别失败（检测失败），一张识别错误（距离0.91），498张识别成功，识别成功率为99.6%，识别成功的距离最大为0.68

Mobilefacenet：500张人脸，一张识别失败（检测失败），四张识别错误（距离0.71，0.88, 0.92,0.96），495张识别成功，识别成功率为99.0%，识别成功的距离最大为0.91