Gesichtserkennung, -analyse und -vergleich mit Amazon Rekognition – Ein umfassender Leitfaden

Wie lassen sich Gesichter mit Amazon Rekognition praktisch identifizieren und vergleichen?

Diese Anleitung zeigt auf praktische und technische Weise, wie man sie verwendet. Amazon Rekognition Die Verarbeitung von Bildern und Videos zur Gesichtserkennung, Merkmalsanalyse (z. B. ungefähres Alter, Gesichtsausdruck, Brille und Emotionen) sowie zum Vergleich und zur Suche von Gesichtern in Bilderserien wird ebenfalls behandelt. Bereitstellungsmethoden, Sicherheit, ein Vergleich mit selbstgehosteten Implementierungen auf GPU-Servern und Tipps zur Netzwerkoptimierung (CDN, BGP und 85+ Standorte) werden ebenfalls erläutert.

Warum Amazon Rekognition?

Amazon Rekognition Ein von AWS verwalteter Service für maschinelles Sehen, der vorgefertigte APIs für Gesichtserkennung, Bildbeschriftung, Texterkennung, Videoanalyse und Inhaltsprüfung bereitstellt.

• Vorteile:
  • Sofort einsatzbereit, kein Training des Basismodells erforderlich.
  • AWS-Auto-Scaling und SLAs.
  • Integration mit S3, Lambda, SNS, CloudWatch und CloudTrail.
  • Fähigkeiten wie zum Beispiel IndexFaces Und SearchFacesByImage.
• Mögliche Nachteile:
  • Kosten bei großen Mengen.
  • Probleme der Daten-Governance und die Notwendigkeit, die richtige Region für die Einhaltung gesetzlicher Vorschriften auszuwählen.

Gesamtarchitektur und Arbeitsablauf

Eine typische Architektur für die Gesichtsverarbeitung mit Rekognition umfasst die folgenden Schritte:

1. Bild/Video in S3 hochladen (oder direkt an die API senden).
2. Aufruf einer API wie Gesichter erkennen, Gesichter vergleichen Oder Gesichtserkennung starten Für Video.
3. Asynchrone Videoverarbeitung: Rekognition liefert die Ausgabe an SNS/SQS/Lambda.
4. Die Ergebnisse werden in einer Datenbank (DynamoDB/Postgres) gespeichert und in einem Web-Dashboard angezeigt.

Dieser Ablauf kann durch CDN, VPC-Endpunkte und BGP-Routen über ein Netzwerk von mehr als 85 Standorten optimiert werden, um Latenz und Leistung zu verbessern.

Ersteinrichtung (AWS CLI, IAM, S3)

AWS CLI-Installation und -Konfiguration

Beispielbefehle auf Debian/Ubuntu-basierten Distributionen:

sudo apt update
sudo apt install -y awscli
aws configure
# Enter AWS Access Key, Secret Key, region, and output format (json)

Beispiel einer IAM-Richtlinie mit minimalem Zugriff für Rekognition

Beispiel einer JSON-Richtlinie, die Rekognition die erforderlichen Berechtigungen und Lese-/Schreibzugriff auf einen bestimmten Bucket gewährt:

{
  "Version": "2012-10-17",
  "Statement": [
    {
      "Effect": "Allow",
      "Action": [
        "rekognition:DetectFaces",
        "rekognition:CompareFaces",
        "rekognition:IndexFaces",
        "rekognition:SearchFacesByImage",
        "rekognition:StartFaceDetection",
        "rekognition:GetFaceDetection"
      ],
      "Resource": "*"
    },
    {
      "Effect": "Allow",
      "Action": [
        "s3:GetObject",
        "s3:PutObject"
      ],
      "Resource": "arn:aws:s3:::your-bucket-name/*"
    }
  ]
}

Praktische Beispiele mit Python (boto3)

Notiz: Konfigurieren Sie awscli vor der Ausführung oder legen Sie die Umgebungsvariablen AWS_ACCESS_KEY_ID und AWS_SECRET_ACCESS_KEY fest.

Gesichter in Bildern erkennen (DetectFaces)

Beispielhafter Python-Code zum Aufruf von DetectFaces:

import boto3

rek = boto3.client('rekognition', region_name='us-east-1')
with open('person.jpg','rb') as img:
    resp = rek.detect_faces(Image={'Bytes': img.read()}, Attributes=['ALL'])
print(resp)

Diese Methode liefert Informationen wie das geschätzte Alter, die Augen-/Mundposition, die Emotion und die BoundingBox-Koordinaten.

Vergleiche zwei Gesichter (CompareFaces)

Einfaches Beispiel für den Vergleich zweier Bilder und das Ablesen des Ähnlichkeitswerts:

import boto3

rek = boto3.client('rekognition')
with open('source.jpg','rb') as s, open('target.jpg','rb') as t:
    resp = rek.compare_faces(SourceImage={'Bytes': s.read()}, TargetImage={'Bytes': t.read()})
for match in resp['FaceMatches']:
    print(match['Similarity'], match['Face']['BoundingBox'])

Wichtiger Parameter: Ähnlichkeitsschwelle — Eine Zahl zwischen 0 und 100, die den Grad der Ähnlichkeit bestimmt.

Sammlung erstellen und suchen (IndexFaces + SearchFacesByImage)

Vorlage zum Erstellen einer Sammlung, Hinzufügen eines Bildes und Suchen nach Gesichtern:

import boto3

rek = boto3.client('rekognition')

# Create collection
rek.create_collection(CollectionId='employees')

# Index a face
with open('employee1.jpg','rb') as img:
    rek.index_faces(CollectionId='employees', Image={'Bytes': img.read()}, ExternalImageId='emp1')

# Search by image
with open('unknown.jpg','rb') as img:
    resp = rek.search_faces_by_image(CollectionId='employees', Image={'Bytes': img.read()}, MaxFaces=5, FaceMatchThreshold=85)
print(resp['FaceMatches'])

Dieses Muster eignet sich für Check-in-/Check-out-Systeme oder Kundenidentifizierungssysteme.

Gesichtserkennung in Videos (Rekognition Video)

Allgemeiner Ablauf: Video in S3 hochladen, start_face_detection aufrufen, JobId abrufen und Ergebnisse mit get_face_detection lesen oder SNS zur Benachrichtigung verwenden.

import boto3

rek = boto3.client('rekognition')

job = rek.start_face_detection(Video={'S3Object':{'Bucket':'mybucket','Name':'video.mp4'}})
job_id = job['JobId']

# Poll for results or use SNS to receive completion notification
resp = rek.get_face_detection(JobId=job_id)
print(resp)

Praktische Tipps für Bereitstellung, Sicherheit und Datenschutz

Ein paar wichtige Regeln:

• Geringste Privilegien: Beschränken Sie die IAM-Rollen auf minimale Berechtigungen.
• VPC-Endpunkt: Verwenden Sie einen VPC-Endpunkt für den Zugriff auf S3 und Rekognition, damit der Datenverkehr nicht über das öffentliche Internet geleitet wird.
• Protokollierung und Prüfung: Aktivieren Sie CloudTrail, um Rekognition-Aufrufe und S3-Zugriffe zu protokollieren.
• Sensible Daten: Um die DSGVO oder lokale Gesetze einzuhalten, wählen Sie die entsprechende Region aus und begrenzen Sie die Datenspeicherung.
• Datenschutz für Nutzer: Für den allgemeinen Einsatz der Gesichtserkennung, Einverständniserklärung Datenlöschrichtlinien empfangen und festlegen.

Wann Sie Ihren eigenen GPU-Server oder Ihr eigenes Modell verwenden sollten

Amazon Rekognition eignet sich für schnelle und überschaubare Aufgaben, aber in den folgenden Situationen ist es besser, das Modell auf einem GPU-Server auszuführen:

• Erfordert einen hohen Anpassungsaufwand (z. B. ArcFace oder FaceNet mit Feinabstimmung anhand interner Datensätze).
• Die Notwendigkeit der vollständigen Kontrolle über die Daten (Datenresidenz).
• Hohe Kosten bei großen Datenmengen und der Bedarf an sehr geringer Latenz (Echtzeit-Inferenz am Netzwerkrand).

Hardwarevorschlag:

• Latenzsensitive Inferenz: NVIDIA T4 oder RTX 4000/5000.
• Training oder Feinabstimmung: NVIDIA A100 oder V100.
• Scheibe: NVMe SSD für hohe I/O-Leistung.
• Netzwerk: 10 Gbit/s oder höher und BGP/CDN verwenden, um die Ladeverzögerung zu reduzieren.

Wir bieten GPU-Server und Cloud-Server mit einem globalen Netzwerk von über 85 Standorten an, die sich für die Bereitstellung kundenspezifischer Modelle für Echtzeitanwendungen eignen.

Optimale Konfigurationen und Standortvergleiche zur Reduzierung der Latenz

Praktische Tipps zur Reduzierung der Latenz:

• Bei latenzkritischen Anwendungen sollten Benutzer und Server am nächstgelegenen Standort bereitgestellt werden. Unser Netzwerk mit über 85 Standorten und BGP-Routen ermöglicht es Ihnen, das Rechenzentrum auszuwählen, das Ihrem Kunden am nächsten liegt.
• Für sensible Handelsanwendungen wird empfohlen, den Bildverarbeitungsserver in der Nähe des Börsen-/Zielservers zu platzieren und CDN- und VPC-Peering zu nutzen.
• Für Apps, bei denen Datenschutz wichtig ist: Speicherung und Verarbeitung am Standort des Nutzers (Datenresidenz).

Allgemeiner Vergleich:

• Standort in der Nähe des Nutzers: Niedrigste Latenzzeiten und reduzierte Kosten für Internetbandbreite.
• Standort mit GPU: Geeignet für Inferenz/Training.
• Standort mit dedizierten BGP-Routen: Höhere Stabilität und Fehlertoleranz.

Überwachung, Kostenkalkulation und Optimierung

• Kostenreduzierung: Nutzen Sie den Offline-Modus und die Laufzeitplanung von Rekognition, um Videos stapelweise zu verarbeiten.
• Zwischenspeicherung: Die Cache-Erkennung in Redis führt zu einer Reduzierung der API-Kosten für wiederholte Anfragen.
• Überwachung: Nutzen Sie CloudWatch-Metriken und -Alarme, um Fehlerraten und Kosten zu überwachen.
• Genauigkeitseinstellung: Passen Sie die Ähnlichkeitsschwellenwerte entsprechend der Falsch-Positiv-/Falsch-Negativ-Rate an; verwenden Sie höhere Schwellenwerte (>90) für sicherheitskritische Systeme.

Docker-Instanz und einfache Bereitstellung

Beispiel-Dockerfile für eine Python-Anwendung mit Rekognition:

FROM python:3.11-slim
WORKDIR /app
COPY requirements.txt .
RUN pip install -r requirements.txt
COPY . .
CMD ["python","app.py"]

Sie können diesen Container auf einem VPS oder Cloud-Server mit einem schnellen Netzwerk ausführen und den Datenverkehr mit Load Balancer und Auto-Scaling verwalten.

Fazit – Vorteile und Vorsichtsmaßnahmen

Amazon Rekognition Es handelt sich um eine schnelle und skalierbare Option für Gesichtserkennung, -analyse und -vergleich. Wenn Sie Personalisierung, Datenverwaltung oder sehr geringe Latenz benötigen, ist die Verwendung eines GPU-Servers und nativer Modelle (z. B. ArcFace) sinnvoll.

Um die beste Kombination auszuwählen (z. B. einen VPS für den Handel, einen GPU-Server für KI oder eine sichere Bereitstellung mit DDoS-Schutz und CDN an über 85 Standorten), können Sie eine Anfrage stellen, um Ihre Bedürfnisse zu überprüfen und eine maßgeschneiderte Architektur und Preisgestaltung zu erhalten.

Häufig gestellte Fragen