教程：在centos7上部署insigtface實現本地人臉識別大模型部署

發布日期： 2025-06-07 閱讀量： 作者： 小編

在應用服務器上安裝人臉識別大模型，并利用php方法調用模型進行人臉識別對比

需求滿足：

l人臉識別大模型本地部署

lPHP 后端調用

l微信小程序上傳照片調用

l無GPU，CPU多核利用

安裝部署實施過程中最大的難點在于安裝，因為存在各種依賴問題，內網環境不通源問題，很折騰。

服務器cpu：ntel(R) Xeon(R) Silver 4210R CPU @ 2.40GHz（10核20線程，性能中上）架構 x86，無顯卡，cpu無集成顯卡；

系統版本：CentOS Linux release 7.9.2009 (Core)

選擇和安裝開源大模型：

選擇的開源大模型是 InsightFace

· 模型類型：ArcFace、Glint360K 訓練的模型。

· 精度：在多個 benchmark（如 LFW、Megaface）上表現優異。

· 優勢：可離線部署，支持 Python API，支持多種模型格式（ONNX、PyTorch、TensorRT）。

部署方式：

GPU推薦：NVIDIA 顯卡 + CUDA + cuDNN。

CPU也可運行但速度慢。

需要安裝的依賴：

1、python 3.7 + 【centos 7自帶3.6 必須要升級】

2、opencv

3、python 庫安裝

python 3.7 安裝：

直接離線安裝：下載地址- https://www.python.org/ftp/python/3.7.13/Python-3.7.13.tgz

tar xzf Python-3.7.13.tgz

cd Python-3.7.13

sudo yum groupinstall "Development Tools" -y

sudo yum install gcc gcc-c++ make openssl-devel bzip2-devel libffi-devel -y

./configure --enable-optimizations

make

sudo make altinstall

這一步里面，有可能可以選擇跳過這一步 sudo yum groupinstall "Development Tools" -y

安裝完驗證是否成功：

python3.7 --version

python庫和opencv安裝

pip3 install --upgrade pip pip3 install insightface numpy onnxruntime opencv-python fastapi uvicorn

這里需要注意下，python庫安裝命令有opencv的安裝，所有opencv也會一并安裝上。

安裝完驗證是否成功：

pip3.7 --version

至此，所有需要安裝的依賴貌似安裝完畢，但是啟動py的時候才會發現還會報錯

如果服務器上安裝了寶塔：

可以在www/wwwroot下新建一個face_api這個文件夾：

在這個文件夾里新建一個face_service.py的文件

然后cd到這個文件夾下，執行

python3.7 face_service.py

啟動大模型

這個時候因為是第一次啟動，會觸發下載模型文件。

這里有可能會報這個錯：

[root@localhost wwwroot]# cd face_api/ [root@localhost face_api]# python3.7 face_service.py Traceback (most recent call last): File "face_service.py", line 1, in <module> from fastapi import FastAPI, File, UploadFile ModuleNotFoundError: No module named 'fastapi' [root@localhost face_api]#

是因為

修復措施：

pip3.7 install --upgrade pip

pip3.7 install insightface numpy onnxruntime opencv-python fastapi uvicorn

然后重新啟動：

再次執行的時候可能有回報這個錯?

至此，所有需要安裝的依賴安裝完畢

運行方式：

進入到face_service.py所在文件夾，然后執行：

以下是face_service.py文件內容

from fastapi import FastAPI, File, UploadFile
from fastapi.responses import JSONResponse
import uvicorn
import numpy as np
import cv2
from insightface.app import FaceAnalysis

app = FastAPI()

# 初始化模型（使用默認模型 antelopev2，支持 CPU）
face_app = FaceAnalysis(name="antelopev2", providers=['CPUExecutionProvider'])
face_app.prepare(ctx_id=0)

# 提取人臉特征
def get_embedding(image_bytes):
    nparr = np.frombuffer(image_bytes, np.uint8)
    img = cv2.imdecode(nparr, cv2.IMREAD_COLOR)
    faces = face_app.get(img)
    if not faces:
        return None
    return faces[0].embedding

# 計算歸一化余弦相似度
def cosine_similarity(a, b):
    return np.dot(a / np.linalg.norm(a), b / np.linalg.norm(b))

@app.post("/compare_faces")
async def compare_faces(file1: UploadFile = File(...), file2: UploadFile = File(...)):
    emb1 = get_embedding(await file1.read())
    emb2 = get_embedding(await file2.read())

    if emb1 is None or emb2 is None:
        return JSONResponse(content={"success": False, "message": "人臉未檢測到"}, status_code=400)

    sim = cosine_similarity(emb1, emb2)
    is_same = bool(sim > 0.6)  # 閾值可調，可設為 0.65 或 0.7 提高準確度

    return {
        "success": True,
        "similarity": float(sim),
        "is_same_person": bool(is_same)
    }

# 如果直接運行
if __name__ == "__main__":
    uvicorn.run(app, host="0.0.0.0", port=8000)

以上是face_service.py文件內容

進入目錄

cd /www/wwwroot

cd face_api

啟動算法調試模式

uvicorn face_service:app --host 127.0.0.1 --port 8000 --reload --log-level debug

不啟動調試模式

uvicorn face_service:app --host 127.0.0.1 --port 8000 --reload

這個時候再次運行，服務就起來了，他是這樣的：

這個時候，因為在py文件里監聽了8000的端口，所以在寶塔上要打開8000端口，這個時候在瀏覽器里就可以訪問 127.0.0.1:8000

接下來就可以用php的方法去傳兩個照片給算法，讓他出結果了，需要準備兩張圖片，傳到文件夾下，可以先用curl的方法進行測試：

輸入圖片進行測試

都是你

curl -X POST http://127.0.0.1:8000/compare_faces \

-F "file1=@/www/wwwroot/long.jpg" \

-F "file2=@/www/wwwroot/long1.jpg"

一摸一樣

curl -X POST http://127.0.0.1:8000/compare_faces \

-F "file1=@/www/wwwroot/long.jpg" \

-F "file2=@/www/wwwroot/long.jpg"

不是你

curl -X POST http://127.0.0.1:8000/compare_faces \

-F "file1=@/www/wwwroot/long.jpg" \

-F "file2=@/www/wwwroot/tp2.jpg"

都是你

curl -X POST http://127.0.0.1:8000/compare_faces \

-F "file1=@/www/wwwroot/long.jpg" \

-F "file2=@/www/wwwroot/tp1.png"

這個時候就會返回結果如下：

{"success":true,"similarity":0.1320914477109909,"is same person":false}

現在可以看到，輸入了long和tp2 兩張圖片，這兩張圖片不是同一個人，返回的similarity是 0.13，后面顯示is same person 是false。

然后可以在face_service.py這段代碼里調整置信度

sim = cosine_similarity(emb1, emb2)

is_same = bool(sim > 0.6) # 閾值可調，可設為 0.65 或 0.7 提高

調整完了，然后重新啟動服務即可。

閾值建議

歸一化后相似度范圍將是 -1 到 1，實際應用中你可以嘗試以下幾個閾值：

相似度閾值識別效果說明

0.3 以下極不相似
0.4-0.5多數不同人
0.6平衡點（建議起始測試閾值）
0.7-0.8 更嚴格（誤識率更低）

curl的方法測試沒有問題了，后續就用php的方法去做就行了。至此教程完成。

總結語：整體安裝最耗時間的部分在于依賴，企業內網環境收到防火墻因為會更加磨人。此教程只是centos 7，在debian和其他linux版本，windows下，不通cpu架構，arm上安裝又不同。但是總體而言，依賴安裝完后，還是很好調用的。

上一篇: 智慧工廠管控平臺建設方案與實施步驟

下一篇: 人臉識別算法定制，維仆信息技術，專注人工智能算法定制開發

欧美日穴视频_亚洲综合91_91性视频_久久国语对白_免费观看一区_亚洲性在线视频

進入算法商城

教程：在centos7上部署insigtface實現本地人臉識別大模型部署