Эта статья подготовлена ​​командой Eden AI. Мы позволяем вам тестировать и использовать в производстве большое количество ИИ-движков от разных поставщиков напрямую через наш API и платформу. Вы являетесь поставщиком решений и хотите интегрировать Eden AI, свяжитесь с нами по адресу: [email protected]

В этой статье мы увидим, как мы можем легко интегрировать механизм распознавания лиц в ваш проект и как выбрать и получить доступ к правильному механизму в соответствии с вашими данными.

Определение:

Обнаружение лиц — это компьютерная технология на основе искусственного интеллекта, которая используется для извлечения и идентификации человеческих лиц из цифровых изображений. Технология обнаружения лиц использует машинное обучение и алгоритмы для извлечения человеческих лиц из больших изображений; такие изображения обычно содержат множество объектов, не являющихся лицами, таких как здания, пейзажи и различные части тела.

История:

Первыми пионерами распознавания лиц были Вуди Бледсо, Хелен Чан Вульф и Чарльз Биссон. В 1964 и 1965 годах Бледсо вместе с Вольфом и Биссоном начал работу с использованием компьютеров для распознавания человеческого лица.

Только в конце 1980-х годов мы увидели дальнейший прогресс в разработке программного обеспечения для распознавания лиц как жизнеспособной биометрии для бизнеса. В 1988 году Сирович и Кирби начали применять линейную алгебру к проблеме распознавания лиц.

В 1991 году Терк и Пентланд продолжили работу Сировича и Кирби, обнаружив, как обнаруживать лица на изображении, что привело к первым случаям автоматического распознавания лиц.

Гранд-вызов по распознаванию лиц (FRGC) был запущен в 2006 году с целью продвижения и продвижения технологии распознавания лиц, предназначенной для поддержки существующих усилий по распознаванию лиц в правительстве США. По оценкам FRGC, новые алгоритмы были в 10 раз более точными, чем алгоритмы распознавания лиц 2002 года, и в 100 раз более точными, чем алгоритмы 1995 года, что свидетельствует о достижениях технологии распознавания лиц за последнее десятилетие.

С 2010-х годов Facebook, Apple, Amazon, Google и другие крупные технологические компании разработали свои собственные механизмы обнаружения лиц, и распознавание лиц демократизировано во многих областях.

Случаи применения:

Вы можете использовать распознавание лиц во многих областях, вот несколько примеров распространенных вариантов использования:

  • реклама: распознавание лиц может сделать рекламу более целенаправленной, делая обоснованные предположения о возрасте и поле людей.
  • здравоохранение: распознавание лиц можно использовать для диагностики заболеваний, вызывающих заметные изменения во внешности
  • маркетинг: распознавание лиц можно использовать для подсчета количества людей (достатка) и определения того, улыбаются люди или нет, молодые или старые, мужчины или женщины и т. д.
  • другое извлечение лица: анализируйте черты лица толпы, такие как: цвет глаз, носа, рта, цвет кожи, прическа и цвет и т. д.

Мультиоблачный подход

Если вам нужен механизм распознавания лиц, у вас есть 2 варианта:

  • Первый вариант: существует несколько механизмов распознавания лиц с открытым исходным кодом, их можно использовать бесплатно. Некоторые из них могут быть эффективными, но их сложно настроить и использовать. Использование библиотеки искусственного интеллекта с открытым исходным кодом требует опыта работы с данными. Кроме того, вам нужно будет настроить внутренний сервер для запуска движков с открытым исходным кодом.
  • Второй вариант: вы можете использовать движки вашего облачного провайдера. На самом деле, облачные провайдеры, такие как Google Cloud, AWS, Microsoft Azure, Alibaba Cloud или IBM Watson, предоставляют несколько механизмов искусственного интеллекта, часто включая распознавание лиц. Этот вариант выглядит очень просто, потому что вы можете оставаться в известной среде, где у вас могут быть способности в вашей компании, и движок готов к использованию.

Единственный способ выбрать правильного провайдера — сравнить механизмы разных провайдеров с вашими данными и выбрать лучший ИЛИ объединить результаты движков разных провайдеров. Вы также можете сравнить цены, если цена является одним из ваших приоритетов, а также вы можете сделать это для скорости.

Этот метод является лучшим с точки зрения производительности и оптимизации, но он доставляет много неудобств:

  • вы можете не знать всех эффективных провайдеров на рынке
  • вам необходимо подписаться и заключить договор со всеми провайдерами
  • вам необходимо освоить документацию API каждого провайдера
  • вам нужно проверить их цены
  • Вам необходимо обработать данные в каждом движке, чтобы реализовать тест

Вот где Eden AI становится очень полезным. Вам просто нужно подписаться и создать учетную запись Eden AI, и у вас есть доступ к множеству провайдеров для многих технологий, включая распознавание лиц. Платформа позволяет вам сравнивать и визуализировать результаты от разных движков, а также позволяет вам иметь централизованную стоимость использования разных поставщиков.

Eden AI предоставляет один и тот же простой в использовании API с одинаковой документацией для каждой технологии. Вы можете использовать Eden AI API для вызова механизмов распознавания лиц с провайдером в качестве простого параметра. С помощью всего нескольких строк вы можете запустить свой проект в производство:

Тест и API:

Вот код на Python (репозиторий GitHub), который позволяет протестировать Eden AI для распознавания лиц:

Платформа:

Eden AI также позволяет сравнивать эти движки прямо в веб-интерфейсе без написания кода:

Вывод:

На рынке доступно множество двигателей NER: невозможно знать их все, знать тех, которые обеспечивают хорошую производительность. Лучший способ интегрировать технологию NER — это мультиоблачный подход, гарантирующий вам достижение наилучшей производительности и цены в зависимости от ваших данных и проекта. Этот подход кажется сложным, но мы упрощаем его для вас с помощью искусственного интеллекта Eden, который централизует API-интерфейсы лучших поставщиков.