使用Azure Face API从本地存储中的面孔列表中找到匹配的面孔

Question

我正在从Azure页面阅读文档和API，但仍不确定在这里是否正确。

脚本

我们的本地存储中大约有100万张ID照片。 每个ID仅包含一个人。

我们希望在拍摄证件照片时实施基本验证。.然后，小型应用程序将使用Azure Face API来浏览我们拥有的1M证件照片，并返回匹配的照片，或者如果我们有相同的人，则返回是否存储ID。

为此，我相信我们需要编写软件来完成以下操作

1. 将所有照片上传到Azure
2. 创建大型FaceList？
3. 训练模型
4. 然后我们就可以进行人脸识别或相似

以上步骤正确吗？

如果我使用上述方法，那意味着我需要使用“面部存储”来保存面部ID，对吗？

1.有没有办法避免脸部存储成本呢？ 保留1M图像会花费很多

2. 当我确认要计算多少笔交易时？ 算作1吗？

我也在考虑使用Container Cognitive，以便它可以在本地运行，而在本地使用存储。

那会帮助我节省面部存储成本吗？ 当我运行容器时，不需要支付存储费用。 我只需要支付检测，验证等交易费用。

我欢迎在该领域中任何新的评论，请指导我。

Answer 1

您的工作流程总体正确：

• 创建一个大人物组
• 将每个照片ID作为个人添加到带有面部的组中（这是两个API调用：创建个人+添加个人面部）
• 培训人员组（并会不时检查培训状态，因为时间会很长）
• 使用识别进行搜索

您唯一应该考虑的是大型人员小组的体系结构。 当您需要添加/删除/更新组时，为100万人员使用单个整体式LPG将是一个杀手。 每次更改的培训时间将非常长。 一种策略（用于添加新人）是添加“事务” LPG-一个较小的LPG，其中包括所有每小时，每天/每周（无论您的工作方式）的添加，以便您可以快速培训变更。 您将在“主要”和“交易” LPG上都进行搜索（识别），然后一次将事务“提交”到主要LPG中。 请参阅Face API文档中的此处

对您的其他问题：

• 无法避免衍生人脸数据的存储成本
• 每个API调用都是一个事务：创建LPG，创建人员，添加人员面部，训练，获取训练状态等
• 我没有使用认知容器功能的经验，但我相信API调用的定价完全相同。