使用更高效、更准确的insightface模型教程

[dev-fox-101]

kqstone 大佬已经集成了insightface的模型
https://github.com/kqstone/mt-photos-insightface-unofficial

insightface是开源中准确率最高的预训练模型，特别是针对亚洲人脸型，比官方仓库使用的Facenet512准确率高很多
可以大幅改善识别完成后，一个人物被识别为多个人物的情况；

使用方法：

Docker容器运行

• 下载镜像

docker pull kqstone/mt-photos-insightface-unofficial:latest

• 创建及运行容器

docker run -i -p 8066:8066 -e API_AUTH_KEY=mt_photos_ai_extra --name mt-photos-insightface-unofficial --restart="unless-stopped" kqstone/mt-photos-insightface-unofficial:latest

docker-compose模板

version: "3"

services:
  mtphotos:
    image: registry.cn-hangzhou.aliyuncs.com/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
      - LANG=C.UTF-8
    dns:
      - 114.114.114.114
    depends_on:
      - mtphotos_ai
      - mtphotos_face_api
  mtphotos_ai:
    image: registry.cn-hangzhou.aliyuncs.com/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: registry.cn-hangzhou.aliyuncs.com/vito0101/mt-photos-insightface-unofficial:latest
    container_name: mtphotos_face_api
    restart: always
    ports:
      - 8066:8066
    environment:
      - API_AUTH_KEY=mt_photos_ai_extra

API配置参数

人脸置信度阈值设置 建议填 0.65
人脸匹配差异度阈值 建议填 0.5

无法下载镜像

以下2个镜像已内置 buffalo_l 模型

可以使用这个国内的地址拉取镜像

docker pull registry.cn-hangzhou.aliyuncs.com/vito0101/mt-photos-insightface-unofficial:latest

docker tag registry.cn-hangzhou.aliyuncs.com/vito0101/mt-photos-insightface-unofficial:latest  kqstone/mt-photos-insightface-unofficial: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

armV8版本镜像

docker pull registry.cn-hangzhou.aliyuncs.com/vito0101/mt-photos-insightface-unofficial:arm-latest

docker tag registry.cn-hangzhou.aliyuncs.com/vito0101/mt-photos-insightface-unofficial:arm-latest  kqstone/mt-photos-insightface-unofficial:arm-latest

# 启动容器
docker run -i -p 8066:8066 -e API_AUTH_KEY=mt_photos_ai_extra --name mt-photos-insightface-unofficial --restart="unless-stopped" kqstone/mt-photos-insightface-unofficial:arm-latest

启动容器后，测试api提示不是人脸识别API

第一次启动容器后需要下载模型，如果由于网络问题，下载失败，可以按下面的方法手动下载镜像

1、创建容器时，要映射 /root/.insightface/models 这个目录

不能直接映射/root   不能直接映射/root  不能直接映射/root

2、将模型文件 buffalo_l.zip 解压到映射的目录中；
模型文件下载地址：https://github.com/kqstone/mt-photos-insightface-unofficial/releases/tag/models
或者百度网盘：https://pan.baidu.com/s/1SsY7_2t7aORh2jCvGWtD1A?pwd=1234

比如目录映射为： -v /mnt/docker/insightface/models:/root/.insightface/models
需要把buffalo_l.zip的文件解压到/mnt/docker/insightface/models/buffalo_l

解压完成后，在 /mnt/docker/insightface/models/buffalo_l 下面可以看到 1k3d68.onnx、2d106det.onnx、det_10g.onnx、genderage.onnx、w600k_r50.onnx 5个文件

创建容器的完整命令：

docker run -i -p 8066:8066 -e API_AUTH_KEY=mt_photos_ai_extra -v /mnt/docker/insightface/models:/root/.insightface/models --name mt-photos-insightface-unofficial --restart="unless-stopped" kqstone/mt-photos-insightface-unofficial:latest

Windows如何使用

参考官方Windows版本的pyinstaller打包，我将kqstone/mt-photos-insightface-unofficial仓库的代码打包为Windows可以直接运行的exe文件

下载附件中的 mt-photos-insightface-unofficial-exe.zip 压缩包，解压后查看内部的 使用说明.txt

API配置参数

人脸置信度阈值设置 建议填 0.65
人脸匹配差异度阈值 建议填 0.5

Windows版本及模型下载

百度网盘：

https://pan.baidu.com/s/1SsY7_2t7aORh2jCvGWtD1A?pwd=1234

[dev-fox-101]

mt-photos-insightface-unofficial-exe.zip 也可以从这里下载

https://github.com/dev-fox-101/mt-photos-insightface-unofficial/releases/tag/1.0.0

[xayane]

请问下这个有cuda版本吗？

[xayane]

或者cuda的应该怎么打包镜像

[tza17313]

或者cuda的应该怎么打包镜像

dockerfile里，把最上面的 基础镜像改下；

FROM python:3.8.10-buster
改为
FROM nvidia/cuda:12.3.2-cudnn9-runtime-ubuntu22.04

应该就可以打包了

[xayane]

或者cuda的应该怎么打包镜像

dockerfile里，把最上面的 基础镜像改下；

FROM python:3.8.10-buster 改为 FROM nvidia/cuda:12.3.2-cudnn9-runtime-ubuntu22.04

应该就可以打包了

试了可行，同时要在添加python的包

[xayane]

或者cuda的应该怎么打包镜像

dockerfile里，把最上面的 基础镜像改下；

FROM python:3.8.10-buster 改为 FROM nvidia/cuda:12.3.2-cudnn9-runtime-ubuntu22.04

应该就可以打包了

感谢！

[iYongHsu]

确实比较精准了。

[sumsethan]

试了下 cuda 编译，Dockerfile如果只是替换 FROM 还是会只用 CPU 跑，还需要安装python ；然后 requirement 里onnxruntime替换成onnxruntime-gpu，再加一个python-multipart。现在实测是可以在 GPU 上跑起来了

[yhhqjw]

试了下 cuda 编译，Dockerfile如果只是替换 FROM 还是会只用 CPU 跑，还需要安装python ；然后 requirement 里onnxruntime替换成onnxruntime-gpu，再加一个python-multipart。现在实测是可以在 GPU 上跑起来了

可以分享下dockerfile吗，我按这个写，一直报错。

[sumsethan]

试了下 cuda 编译，Dockerfile如果只是替换 FROM 还是会只用 CPU 跑，还需要安装python ；然后 requirement 里onnxruntime替换成onnxruntime-gpu，再加一个python-multipart。现在实测是可以在 GPU 上跑起来了

可以分享下dockerfile吗，我按这个写，一直报错。

root:~/mt-photos-insightface-unofficial# cat Dockerfile

#FROM python:3.8.10-buster
FROM nvidia/cuda:12.3.2-cudnn9-runtime-ubuntu22.04
USER root

RUN apt update && \
    apt install -y python3 pip && \
    rm -rf /var/lib/apt/lists/* /tmp/* /var/log/*

WORKDIR /app
COPY requirements.txt .

# 安装依赖包
RUN pip3 install --no-cache-dir -r requirements.txt --index-url=https://pypi.tuna.tsinghua.edu.cn/simple/

COPY server.py .

ENV API_AUTH_KEY=mt_photos_ai_extra
ENV RECOGNITION_MODEL=buffalo_l
ENV DETECTION_THRESH=0.65
EXPOSE 8066

VOLUME ["/root/.insightface/models"]

CMD [ "python3", "server.py" ]

root:~/mt-photos-insightface-unofficial# cat requirements.txt

fastapi
python-dotenv
uvicorn
insightface
onnxruntime-gpu
python-multipart

不知道能不能通用，我这里是可以跑的

[yhhqjw]

试了下 cuda 编译，Dockerfile如果只是替换 FROM 还是会只用 CPU 跑，还需要安装python ；然后 requirement 里onnxruntime替换成onnxruntime-gpu，再加一个python-multipart。现在实测是可以在 GPU 上跑起来了

可以分享下dockerfile吗，我按这个写，一直报错。

root:~/mt-photos-insightface-unofficial# cat Dockerfile

#FROM python:3.8.10-buster
FROM nvidia/cuda:12.3.2-cudnn9-runtime-ubuntu22.04
USER root

RUN apt update && \
    apt install -y python3 pip && \
    rm -rf /var/lib/apt/lists/* /tmp/* /var/log/*

WORKDIR /app
COPY requirements.txt .

# 安装依赖包
RUN pip3 install --no-cache-dir -r requirements.txt --index-url=https://pypi.tuna.tsinghua.edu.cn/simple/

COPY server.py .

ENV API_AUTH_KEY=mt_photos_ai_extra
ENV RECOGNITION_MODEL=buffalo_l
ENV DETECTION_THRESH=0.65
EXPOSE 8066

VOLUME ["/root/.insightface/models"]

CMD [ "python3", "server.py" ]

root:~/mt-photos-insightface-unofficial# cat requirements.txt

fastapi
python-dotenv
uvicorn
insightface
onnxruntime-gpu
python-multipart

不知道能不能通用，我这里是可以跑的

2024-09-03 17:58:31 Traceback (most recent call last):
2024-09-03 17:58:31 File "/app/server.py", line 44, in
2024-09-03 17:58:31 faceAnalysis = FaceAnalysis(providers=['CUDAExecutionProvider', 'CPUExecutionProvider'], allowed_modules=['detection', 'recognition'], name=recognition_model)
2024-09-03 17:58:31 File "/usr/local/lib/python3.10/dist-packages/insightface/app/face_analysis.py", line 43, in init
2024-09-03 17:58:31 assert 'detection' in self.models
2024-09-03 17:58:31 AssertionError

我这个docker运行会出现这个报错。。

[blakejia]

mac arm的话，可以用么？

[zhuosheng7458]

纯小白问一下window版
MT原版的人脸识别，那个程序，需要完全卸载掉，然后再安装这个新模型版本，是吧？
新版本安装完之后，MT系统里面，人脸识别数据该怎么办呢？重建全部数据？

[ptbsare]

你好，非常不错的项目。我是使用cuda版本，请问这个docker的server.py能不能优化一下让它仅在人脸识别运行的时候才调用GPU资源，否则释放显存。多数人都是在nas上部署此类项目追求低功耗，目前的docker只要开着就一定调用GPU，一是浪费计算资源和显存。二是显卡保持唤醒不能休眠，增加了功耗。实际人脸识别运行时间占比全天时间很少。