FaceNet 可應用於人臉分群、人臉分類，透過歐式距離來判斷人臉的相似度，而達到人臉辨識。

[操作步驟及說明]

解決方案流程為：

準備圖片 -> 訓練分類器 -> 人臉影像推論 。

準備圖片 ->人臉影像分群。

準備圖片 ->人臉影像比較。

1. 1_preprocess.ipynb

將 data/image 與 data/image_test 中的影像進行人臉影像提取，縮放到 160x160 pixel，存到 data/image-160 與 data/image_test 資料夾中。 

備註：

data/image 的影像是訓練用影像；data/image_test 的影像是測試用影像。

data/image_test 提取出的人臉影像，會額外存到 data/clustering_image 中，讓 3_clustering.ipynb 使用。

data/image 與 data/image_test 內每個資料夾的影像，必須為同一人之影像。

圖檔格式需為 .jpg 或 .png 或 .jpeg。

2. 2_classifier.ipynb

訓練人臉影像分類器，會在 5~8 中用到。

3. 3_clustering.ipynb

準備圖片 ->人臉影像分群。

流程中的人臉影像分群，將第 1 點準備好的影像，相近的人臉分成一類，結果存到 data/clustering_result 資料夾中。

4. 4_compare.ipynb

準備圖片 ->人臉影像比較。

流程中的人臉影像比較，此範例輸入六張影像來源，和其他五張影像比較，輸出結果矩陣。數字越小，表示人臉影像越接近同一人。

5. 5_inference.ipynb

輸入一張影像，根據 2_classifier.ipynb 訓練出的分類模型進行分類，推論影像的人物為何人。

參數說明：

input_image 是要推論的影像路徑。

input_pkl 是 2_classifier.ipynb 訓練出的分類模型路徑，不建議更動檔案位置及名稱。

6. 6_inference_folder.ipynb

輸入要推論的影像資料夾位置，根據 2_classifier.ipynb 訓練出的分類模型進行分類，推論資料夾內影像的人物為何人。

參數說明：

input_image 是要推論的影像資料夾路徑。

input_pkl 是 2_classifier.ipynb 訓練出的分類模型路徑，不建議更動檔案位置及名稱。

7. 7_inference_webcam.ipynb

開啟 webcam，推論 webcam 所拍攝的人物為何人。

參數說明：

--deviceNumber 0 ：0 指使用的第幾號 webcam，使用者若有複數以上的 webcam，可自行設定。

8. 8_inference_api.ipynb

使用網頁選取一張影像，推論影像中人物為何人。

參數說明：

--port 8801：8801 為 FaceNet 網頁所占用的埠。

運行後，若無更改 port 時，可使用 9_inference_api_browser.ipynb 開啟網頁。

這個 SDK 內建於 AppForAI 人工智慧開發工具。

單獨購買價格：5,000元，永久授權，單一 SDK 授權，單機授權，一次下載，無更新服務，一年電子郵件範例諮詢服務。如果是軟體客製化問題，請購買我們的客製化顧問服務點數。