人臉識(shí)別哪家強(qiáng)？亞馬遜、微軟、谷歌等大公司技術(shù)對(duì)比分析

本文作者： AI研習(xí)社-譯站

2018-09-12 10:46

導(dǎo)語(yǔ)：讓我們看看亞馬遜的 Rekognition、谷歌云 Vision API、IBM 沃森 Visual Recognition 和微軟 Face API。

雷鋒網(wǎng)按：本文為 AI 研習(xí)社編譯的技術(shù)博客，原標(biāo)題 Face detection - An overview and comparison of different solutions，作者為 David Pacassi Torrico。

翻譯 | 李灝江舟校對(duì) | Lamaric 審核 | Lamaric

人臉識(shí)別哪家強(qiáng)？亞馬遜、微軟、谷歌等大公司技術(shù)對(duì)比分析

哪一個(gè)人臉識(shí)別 API 是最好的？讓我們看看亞馬遜的 Rekognition、谷歌云 Vision API、IBM 沃森 Visual Recognition 和微軟 Face API。

Part 1：基于互聯(lián)網(wǎng)提供軟件服務(wù)的供應(yīng)商

TLDR：如果你想盡可能快的使用 API，可以直接查看我在 Github 上的代碼。

你曾經(jīng)有過(guò)人臉識(shí)別的需要嗎？

可能只是為了提高圖片裁剪成功率，保證一張輪廓圖片真實(shí)的包含一張人臉，或可能只是簡(jiǎn)單從你的數(shù)據(jù)集中發(fā)現(xiàn)包含指定人物的圖片（在這種情況下）。

哪一個(gè)人臉識(shí)別軟件服務(wù)供應(yīng)商對(duì)你的項(xiàng)目來(lái)說(shuō)是最好的呢？

讓我們深入了解它們?cè)诔晒β?，定價(jià)和速度方面的差異。

在這篇文章里，我將會(huì)分析以下人臉檢測(cè) API：

亞馬遜 Rekognition
谷歌云 Vision API
IBM 沃森 Visual Recognition
微軟 Face API

人臉檢測(cè)是如何工作的？

在我們深入分析不同的解決方案之前，讓我們首先了解下人臉檢測(cè)是如何工作的。

Viola–Jones 人臉檢測(cè)

2001 年這一年，Jimmy Wales 和 Larry Sanger 建立了維基百科，荷蘭成為世界上第一個(gè)將同性婚姻合法化的國(guó)家，世界也見(jiàn)證了有史以來(lái)最悲慘的恐怖襲擊之一。

與此同時(shí)，兩位聰穎的人，Paul Viola 和 Michael Jone，一起開(kāi)始了計(jì)算機(jī)視覺(jué)的革命。

直到 2001 年，人臉檢測(cè)還不是很精確也不是很快。而就在這一年，Viola Jones 人臉檢測(cè)框架被提出，它不僅在檢測(cè)人臉?lè)矫嬗泻芨叩某晒β?，而且還可以進(jìn)行實(shí)時(shí)檢測(cè)。

雖然人臉和物體識(shí)別挑戰(zhàn)自 90 年代以來(lái)就一直存在，但在 Viola - Jones 論文發(fā)布后，人臉及物體識(shí)別變得更加繁榮。

深度卷積神經(jīng)網(wǎng)絡(luò)

其中一個(gè)挑戰(zhàn)是自 2010 年以來(lái)一直舉辦的 ImageNet 大規(guī)模視覺(jué)識(shí)別挑戰(zhàn)。在前兩年，頂級(jí)團(tuán)隊(duì)主要是通過(guò) Fisher 向量機(jī)和支持向量機(jī)的組合工作，而 2012 年這一切改變了。

多倫多大學(xué)的團(tuán)隊(duì)（由 Alex Krizhevsky、Ilya Sutskever 和 Geoffrey Hinton 組成）首次使用深度卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行物體檢測(cè)。他們以 15.4 % 的錯(cuò)誤率獲得第一名，而第二名隊(duì)伍的錯(cuò)誤率卻高達(dá) 26.2 %！

一年后，2013 年，前五名的每個(gè)團(tuán)隊(duì)都在使用深度卷積神經(jīng)網(wǎng)絡(luò)。

那么，這樣的網(wǎng)絡(luò)是如何工作的呢？

今年早些時(shí)候，谷歌發(fā)布了一個(gè)易于理解的視頻：

亞馬遜、谷歌、IBM 和微軟現(xiàn)在使用著什么？

從那以后，并沒(méi)有太大變化。今天的供應(yīng)商仍然使用深度卷積神經(jīng)網(wǎng)絡(luò)，當(dāng)然可能會(huì)與其他深度學(xué)習(xí)技術(shù)相結(jié)合。

顯然，他們沒(méi)有公布自己的視覺(jué)識(shí)別技術(shù)是如何工作的。我發(fā)現(xiàn)的信息是：

亞馬遜：深度神經(jīng)網(wǎng)絡(luò)
谷歌：卷積神經(jīng)網(wǎng)絡(luò)
IBM：深度學(xué)習(xí)算法
微軟：人臉?biāo)惴?/p>

雖然它們聽(tīng)起來(lái)都很相似，但結(jié)果有一些不同。

在我們測(cè)試它們之前，讓我們先看看定價(jià)模型吧！

定價(jià)

亞馬遜、谷歌和微軟都有類似的定價(jià)模式，這意味著隨著使用量的增加，每次檢測(cè)的價(jià)格會(huì)下降。

然而，對(duì)于 IBM，在你的免費(fèi)層使用量用完之后，你就要為每次調(diào)用 API 支付相同的價(jià)格。

Microsoft 為你提供了最好的免費(fèi)協(xié)議，允許你每月免費(fèi)處理 30000 張圖片。

如果你需要檢測(cè)更多，則需要使用他們的標(biāo)準(zhǔn)協(xié)議，是從第一張圖片開(kāi)始付費(fèi)的。

價(jià)格比較

話雖如此，讓我們計(jì)算三種不同配置類型的成本。

條件 A：小型初創(chuàng)公司/企業(yè)可每月處理 1000 張圖片
條件 B：擁有大量圖像的數(shù)字供應(yīng)商，每月可處理 100，000 幅圖像
條件 C：數(shù)據(jù)中心每月處理 10，000，000 張圖像。

人臉識(shí)別哪家強(qiáng)？亞馬遜、微軟、谷歌等大公司技術(shù)對(duì)比分析

從數(shù)據(jù)上看，對(duì)于小客戶來(lái)說(shuō)，定價(jià)沒(méi)有多大差別。雖然亞馬遜從第一張圖片開(kāi)始收費(fèi)，但處理 1000 張圖片仍然只需要一美元。然而，如果你不想支付任何費(fèi)用，那么谷歌、IBM 或微軟將是你想要選擇的供應(yīng)商。

注意：亞馬遜提供了免費(fèi)協(xié)議，你可以免費(fèi)處理前 12 個(gè)月，每月 5000 張圖片！然而，在這個(gè) 12 個(gè)月的試用期后，你就需要從這時(shí)第一張圖片付費(fèi)了。

大量使用 API 的情況

如果你確實(shí)需要處理數(shù)百萬(wàn)張圖片，那么比較每個(gè)供應(yīng)商的處理規(guī)模就變得很重要了。

以下是在一定數(shù)量的圖片后，為 API 使用支付的最低價(jià)格列表。

IBM 會(huì)不斷向你收取每 1，000 張圖片 4.00 美元的費(fèi)用（無(wú)縮放比例）
Google 在第 5，000，000 張圖片之后，價(jià)格降到 0.60 美元（每 1000 張圖片）
亞馬遜會(huì)在第 100，000，000 張圖片之后，價(jià)格降到 0.40 美元（每 1000 張圖片）
微軟會(huì)在第 100 ' 000 ' 000 張圖片之后，價(jià)格降到 0.40 美元（每 1000 張圖片）

因此，比較價(jià)格，微軟（和亞馬遜）似乎是贏家。但他們能否在成功率、速度和整合度上占優(yōu)么？讓我們看一看！

動(dòng)手吧！讓我們?cè)囋嚥煌?API

有夠多的理論和數(shù)字了，讓我們直接深入研究編碼！你可以在我的 GitHub 存儲(chǔ)庫(kù)中找到這里使用的所有代碼。

設(shè)置我們的圖像數(shù)據(jù)集

首先要做的事，在我們掃描人臉圖像之前，讓我們?cè)O(shè)置圖像數(shù)據(jù)集。

在這篇博客文章中，我已經(jīng)從 pexels.com 下載了 33 張圖片，非常感謝圖片的貢獻(xiàn)者/攝影師以及感謝 Pexels！

這些圖像已經(jīng)提交到了 GitHub 存儲(chǔ)庫(kù)，所以如果你只想開(kāi)始使用 API，則不需要搜索任何圖像。

編寫(xiě)基本測(cè)試框架

框架可能是錯(cuò)誤的，因?yàn)槲业淖远x代碼只包含兩個(gè)類。然而，這兩個(gè)類幫助我輕松地分析圖像（元數(shù)據(jù)）數(shù)據(jù)，并在不同的實(shí)現(xiàn)中有盡可能少的代碼。

一個(gè)非常簡(jiǎn)短的描述：FaceDetectionClient 類保存有關(guān)圖像存儲(chǔ)位置、供應(yīng)商詳細(xì)信息和所有處理過(guò)的圖像（作為 FaceDetectionImage 對(duì)象）的一般信息。

比較供應(yīng)商的 SDK

因?yàn)槲易钍煜?PHP，所以我決定在這次測(cè)試中堅(jiān)持使用 PHP。我想指出每個(gè)供應(yīng)商提供了什么樣的 SDK（截至今天）：

人臉識(shí)別哪家強(qiáng)？亞馬遜、微軟、谷歌等大公司技術(shù)對(duì)比分析

注意：微軟實(shí)際上并沒(méi)有提供任何 SDK，但他們?yōu)樯厦媪谐龅募夹g(shù)提供了代碼示例。

如果你仔細(xì)閱讀了這些列表，你可能會(huì)注意到 IBM 不僅提供了最少數(shù)量的 SDK，而且還沒(méi)有提供針對(duì) PHP 的 SDK。然而，這對(duì)于我來(lái)說(shuō)并不是一個(gè)大問(wèn)題，因?yàn)樗麄兲峁┝?cURL 示例，這些示例幫助我輕松地為一個(gè)（非?；镜模㊣BM 視覺(jué)識(shí)別客戶端類編寫(xiě)了 37 行代碼。

集成供應(yīng)商的 API

獲取 SDK 非常容易。使用 Composer 更容易。然而，我確實(shí)注意到一些可以改進(jìn)的東西，以便開(kāi)發(fā)者的生活變得更輕松。

亞馬遜

我從亞馬遜的識(shí)別 API 開(kāi)始。瀏覽他們的文檔后，我真的開(kāi)始覺(jué)得有點(diǎn)失落。我不僅沒(méi)找到一些基本的例子（或者無(wú)法找到它們？)，但我也有一種感覺(jué)，我必須點(diǎn)擊幾次，才能找到我想要的東西。有一次，我甚至放棄了，只是通過(guò)直接檢查他們的 SDK 源代碼來(lái)獲得信息。

另一方面，這可能只發(fā)生在我身上？讓我知道亞馬遜的識(shí)別對(duì)你來(lái)說(shuō)是容易（還是困難）整合的吧！

注意：當(dāng) Google 和 IBM 返回邊界框坐標(biāo)時(shí)，Amazon 會(huì)返回坐標(biāo)作為整體圖像寬度/高度的比率。我不知道為什么，但這沒(méi)什么大不了的。你可以編寫(xiě)一個(gè)輔助函數(shù)來(lái)從比率中獲取坐標(biāo)，就像我一樣。

谷歌

接下來(lái)是谷歌。與亞馬遜相比，他們確實(shí)提供了一些例子，這對(duì)我?guī)椭艽?！或者也許我已經(jīng)處于投資不同 SDK的心態(tài)了。

不管情況如何，集成 SDK 感覺(jué)要簡(jiǎn)單得多，而且我可以花費(fèi)更少的點(diǎn)擊次數(shù)來(lái)檢索我想要的信息。

IBM

如前所述，IBM（還沒(méi)有？）為 PHP 提供一個(gè) SDK。然而，通過(guò)提供的 cURL 示例，我很快就建立了一個(gè)自定義客戶端。如果已經(jīng)能提供一個(gè) cURL 例子，那么你使用它也錯(cuò)不了什么了。

微軟

看著微軟的 PHP 代碼示例（使用 Pear 的 HTTP _ request2 包），我最終為微軟的 Face API 編寫(xiě)了自己的客戶端。

我想我只是一個(gè) cRUL 人。

評(píng)估者的可靠性

在我們比較不同的人臉檢測(cè) API 之前，讓我們先自己掃描圖像吧！一個(gè)普通的人能檢測(cè)到多少?gòu)埬槪?/p>

如果你已經(jīng)看過(guò)我的數(shù)據(jù)集，你可能已經(jīng)看到了一些包含棘手面孔的圖像。棘手是什么意思？好吧，指的是只看到一張臉的一小部分或這張臉處于一個(gè)不尋常的角度時(shí)。

是時(shí)候做一個(gè)小實(shí)驗(yàn)了

我瀏覽了所有的圖片，記下了我認(rèn)為已經(jīng)檢測(cè)到的面孔數(shù)量。我會(huì)用這個(gè)數(shù)字來(lái)計(jì)算每個(gè)供應(yīng)商對(duì)圖片的成功率，看看它是否能檢測(cè)到像我一樣多的面孔。

然而，設(shè)置僅由我單獨(dú)檢測(cè)到的預(yù)期面部數(shù)量對(duì)我來(lái)說(shuō)似乎有點(diǎn)太偏頗了。我需要更多的意見(jiàn)。這時(shí)，我懇請(qǐng)我的三位同事瀏覽我的照片，并告訴我他們會(huì)發(fā)現(xiàn)多少?gòu)埬?。我給他們的唯一任務(wù)是告訴我你能探測(cè)到多少?gòu)埬?，而不是頭。我沒(méi)有定義任何規(guī)則，我想給他們?nèi)魏慰梢韵胂蟮淖杂蓙?lái)完成這項(xiàng)任務(wù)。

什么是臉？

當(dāng)我瀏覽圖像檢測(cè)面部時(shí)，我只計(jì)算了至少四分之一左右可見(jiàn)的每張臉。有趣的是，我的同事提出了一個(gè)略微不同的面部定義。

同事 1：我也計(jì)算過(guò)我大多無(wú)法看到的面孔。但我確實(shí)看到了身體，所以我的腦海里告訴我有一張臉。
同事 2：如果我能夠看到眼睛，鼻子和嘴巴，我會(huì)把它算作一張臉。
同事 3：我只計(jì)算了能夠在另一張圖像中再次識(shí)別的臉部。

樣例圖片 #267855

人臉識(shí)別哪家強(qiáng)？亞馬遜、微軟、谷歌等大公司技術(shù)對(duì)比分析

在這張照片中，我和我的同事分別檢測(cè)到了 10、13、16 和 16 張面孔。我決定取平均值，因此得到了 14。我對(duì)每個(gè)人是如何想到不同的人臉檢測(cè)技術(shù)這一點(diǎn)非常的感興趣。

話雖如此，我還是使用了我和同事的平均人臉計(jì)數(shù)來(lái)設(shè)定一幅圖像中檢測(cè)到的預(yù)期人臉數(shù)量。

結(jié)果比較

現(xiàn)在我們已經(jīng)設(shè)置了數(shù)據(jù)集和代碼，讓我們處理所有競(jìng)爭(zhēng)對(duì)手的所有圖像并比較結(jié)果。

我的 FaceDetectionClient 類還附帶一個(gè)方便的 CSV 導(dǎo)出格式，它提供了一些分析數(shù)據(jù)。

這是我得到的結(jié)果：

人臉識(shí)別哪家強(qiáng)？亞馬遜、微軟、谷歌等大公司技術(shù)對(duì)比分析

成功率很低？

亞馬遜能夠檢測(cè)到 52.66 % 的人臉，谷歌 40.43 %，IBM 39.36 %，微軟甚至只有 17.55 %。

為什么成功率低？首先，我的數(shù)據(jù)集中確實(shí)有很多棘手的圖像。其次，我們不應(yīng)該忘記，作為人類，我們有著兩百萬(wàn)年的進(jìn)化背景來(lái)幫助理解什么是什么。

雖然許多人認(rèn)為我們已經(jīng)掌握了科技領(lǐng)域的人臉檢測(cè)，但仍有改進(jìn)的余地！

對(duì)速度的需求

雖然亞馬遜能夠檢測(cè)到最多的人臉，但谷歌和微軟的處理速度明顯快于其他公司。然而平均來(lái)說(shuō)，他們?nèi)匀恍枰^(guò)一秒鐘的時(shí)間來(lái)處理我們數(shù)據(jù)集上的單個(gè)圖像。

將圖像數(shù)據(jù)從我們的計(jì)算機(jī)/服務(wù)器發(fā)送到另一臺(tái)服務(wù)器肯定也會(huì)影響性能。

注意：我們將在本系列的下一部分中了解（本地）開(kāi)源庫(kù)是否可以更快地完成同樣的工作。

（相對(duì)）小臉的人群

在分析了這些圖像后，亞馬遜似乎非常擅長(zhǎng)檢測(cè)人群中的人臉，以及相對(duì)較小的臉部。

小摘錄

人臉識(shí)別哪家強(qiáng)？亞馬遜、微軟、谷歌等大公司技術(shù)對(duì)比分析

亞馬遜的示例圖像 # 889545

人臉識(shí)別哪家強(qiáng)？亞馬遜、微軟、谷歌等大公司技術(shù)對(duì)比分析

亞馬遜能夠在這張圖片中檢測(cè)到 10 張面孔，而谷歌只發(fā)現(xiàn)了 4 張，IBM 檢測(cè)到 0 張以及微軟檢測(cè)到 0 張。

不同的角度，不完整的臉

那么，這是否意味著 IBM 根本不如他競(jìng)爭(zhēng)對(duì)手好呢？一點(diǎn)也不。雖然亞馬遜可能擅長(zhǎng)于在集體照片中檢測(cè)小臉，但 IBM 還有另一個(gè)優(yōu)勢(shì)：困難的圖像。這是什么意思呢？好吧，指的是頭部處于不尋常角度或者可能沒(méi)有完全顯示的臉部圖像。

以下是我們數(shù)據(jù)集的三個(gè)例子，IBM 是唯一一家檢測(cè)到其中人臉的供應(yīng)商。

IBM 的示例圖像 # 356147

人臉識(shí)別哪家強(qiáng)？亞馬遜、微軟、谷歌等大公司技術(shù)對(duì)比分析