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

本文作者： AI研習(xí)社-譯站

2018-09-12 10:46

導(dǎo)語：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 | Lamaric 審核 | Lamaric

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

哪一個人臉識別 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)有過人臉識別的需要嗎？

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的包含一張人臉，或可能只是簡單從你的數(shù)據(jù)集中發(fā)現(xiàn)包含指定人物的圖片（在這種情況下）。

哪一個人臉識別軟件服務(wù)供應(yīng)商對你的項目來說是最好的呢？

讓我們深入了解它們在成功率，定價和速度方面的差異。

在這篇文章里，我將會分析以下人臉檢測 API：

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

人臉檢測是如何工作的？

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是如何工作的。

Viola–Jones 人臉檢測

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將同性婚姻合法化的國家，世界也見證了有史以來最悲慘的恐怖襲擊之一。

與此同時，兩位聰穎的人，Paul Viola 和 Michael Jone，一起開始了計算機(jī)視覺的革命。

直到 2001 年，人臉檢測還不是很精確也不是很快。而就在這一年，Viola Jones 人臉檢測框架被提出，它不僅在檢測人臉方面有很高的成功率，而且還可以進(jìn)行實時檢測。

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

深度卷積神經(jīng)網(wǎng)絡(luò)

其中一個挑戰(zhàn)是自 2010 年以來一直舉辦的 ImageNet 大規(guī)模視覺識別挑戰(zhàn)。在前兩年，頂級團(tuán)隊主要是通過 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（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。他們以 15.4 % 的錯誤率獲得第一名，而第二名隊伍的錯誤率卻高達(dá) 26.2 %！

一年后，2013 年，前五名的每個團(tuán)隊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？

今年早些時候，谷歌發(fā)布了一個易于理解的視頻：

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)然可能會與其他深度學(xué)習(xí)技術(shù)相結(jié)合。

顯然，他們沒有公布自己的視覺識別技術(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>

雖然它們聽起來都很相似，但結(jié)果有一些不同。

在我們測試它們之前，讓我們先看看定價模型吧！

定價

亞馬遜、谷歌和微軟都有類似的定價模式，這意味著隨著使用量的增加，每次檢測的價格會下降。

然而，對于 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，是從第一張圖片開始付費(fèi)的。

價格比較

話雖如此，讓我們計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。

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

從數(shù)據(jù)上看，對于小客戶來說，定價沒有多大差別。雖然亞馬遜從第一張圖片開始收費(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 個月，每月 5000 張圖片！然而，在這個 12 個月的試用期后，你就需要從這時第一張圖片付費(fèi)了。

大量使用 API 的情況

如果你確實需要處理數(shù)百萬張圖片，那么比較每個供應(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 使用支付的最低價格列表。

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

因此，比較價格，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！

動手吧！讓我們試試不同的 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 存儲庫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，讓我們設(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 存儲庫，所以如果你只想開始使用 API，則不需要搜索任何圖像。

編寫基本測試框架

框架可能是錯誤的，因為我的自定義代碼只包含兩個類。然而，這兩個類幫助我輕松地分析圖像（元數(shù)據(jù)）數(shù)據(jù)，并在不同的實現(xiàn)中有盡可能少的代碼。

一個非常簡短的描述：FaceDetectionClient 類保存有關(guān)圖像存儲位置、供應(yīng)商詳細(xì)信息和所有處理過的圖像（作為 FaceDetectionImage 對象）的一般信息。

比較供應(yīng)商的 SDK

因為我最熟悉 PHP，所以我決定在這次測試中堅持使用 PHP。我想指出每個供應(yīng)商提供了什么樣的 SDK（截至今天）：

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

注意：微軟實際上并沒有提供任何 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，你可能會注意到 IBM 不僅提供了最少數(shù)量的 SDK，而且還沒有提供針對 PHP 的 SDK。然而，這對于我來說并不是一個大問題，因為他們提供了 cURL 示例，這些示例幫助我輕松地為一個（非?；镜模㊣BM 視覺識別客戶端類編寫了 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，我確實注意到一些可以改進(jìn)的東西，以便開發(fā)者的生活變得更輕松。

亞馬遜

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

另一方面，這可能只發(fā)生在我身上？讓我知道亞馬遜的識別對你來說是容易（還是困難）整合的吧！

注意：當(dāng) Google 和 IBM 返回邊界框坐標(biāo)時，Amazon 會返回坐標(biāo)作為整體圖像寬度/高度的比率。我不知道為什么，但這沒什么大不了的。你可以編寫一個輔助函數(shù)來從比率中獲取坐標(biāo)，就像我一樣。

谷歌

接下來是谷歌。與亞馬遜相比，他們確實提供了一些例子，這對我?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 感覺要簡單得多，而且我可以花費(fèi)更少的點擊次數(shù)來檢索我想要的信息。

IBM

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

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 編寫了自己的客戶端。

我想我只是一個 cRUL 人。

評估者的可靠性

在我們比較不同的人臉檢測 API 之前，讓我們先自己掃描圖像吧！一個普通的人能檢測到多少張臉？

如果你已經(jīng)看過我的數(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不尋常的角度時。

是時候做一個小實驗了

我瀏覽了所有的圖片，記下了我認(rèn)為已經(jīng)檢測到的面孔數(shù)量。我會用這個數(shù)字來計算每個供應(yīng)商對圖片的成功率，看看它是否能檢測到像我一樣多的面孔。

然而，設(shè)置僅由我單獨(dú)檢測到的預(yù)期面部數(shù)量對我來說似乎有點太偏頗了。我需要更多的意見。這時，我懇請我的三位同事瀏覽我的照片，并告訴我他們會發(fā)現(xiàn)多少張臉。我給他們的唯一任務(wù)是告訴我你能探測到多少張臉，而不是頭。我沒有定義任何規(guī)則，我想給他們?nèi)魏慰梢韵胂蟮淖杂蓙硗瓿蛇@項任務(wù)。

什么是臉？

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