Python 3.x 如何实时加速Knn人脸识别算法

我在做人脸检测和识别的工作，我想实时检测人脸

但是到了训练的时候，要花很长时间来训练运动员

数据是否有可能减少训练的时间？数据是否有任何帮助

把这个问题告诉我

'''

'''

还想知道是否有可能不重写“trained_model.clf”文件，而是更新该文件。

k-nn算法的时间复杂度为O（n）。我建议您使用近似最近邻（a-nn）算法。它的时间复杂度太低。例如，谷歌图像搜索就是基于这种算法

---

Spotify Havert、Facebook faiss、nmslib都是a-nn库。

训练kNN模型不应带来高运行时开销。毕竟，简单的（“精确搜索”）模型是懒惰的。它存储向量并在查询（或分类）时执行暴力搜索

我推测嵌入计算支配着你的训练时间

---

正如@johncasey所提到的，您可能希望使用近似的kNN模型（或引擎）。有许多开源的相似性搜索库。然而，如果您需要一个生产就绪、健壮、实时、高效的解决方案，那么您应该去看看。（免责声明，我为Pinecone工作。）

您是否使用Scikit learn for KNN？是@KnowledgeGainer培训时间通常取决于数据集的大小，而且KNN不使用任何GPU，因此与基于GPU的框架相比，通常需要时间。我可以知道你用来训练的数据集的大小吗？实际上，数据集包含特定文件夹的图像至少15个图像，就像当用户数量增加时，文件夹数量也会增加一样。如果我得到了正确的结果，那么你的意思是，它会随着用户的增加而不断增加，每个用户都会有15张自己的图片，对吗？

def train(train_dir, model_save_path=None, n_neighbors=None, knn_algo='ball_tree', verbose=False):
    
    X = []
    y = []

    # Loop through each person in the training set
    for class_dir in tqdm(os.listdir(train_dir)):

        if not os.path.isdir(os.path.join(train_dir, class_dir)):
            continue

        # Loop through each training image for the current person
        for img_path in image_files_in_folder(os.path.join(train_dir, class_dir)):
            image = face_recognition.load_image_file(img_path)
            face_bounding_boxes = face_recognition.face_locations(image)

            if len(face_bounding_boxes) != 1:
                # If there are no people (or too many people) in a training image, skip the image.
                if verbose:
                    print("Image {} not suitable for training: {}".format(img_path, "Didn't find a face" if len(face_bounding_boxes) < 1 else "Found more than one face"))
            else:
                # Add face encoding for current image to the training set
                X.append(face_recognition.face_encodings(image, known_face_locations=face_bounding_boxes)[0])
                y.append(class_dir.split('_')[0])

    # Determine how many neighbors to use for weighting in the KNN classifier
    if n_neighbors is None:
        n_neighbors = int(round(math.sqrt(len(X))))
        if verbose:
            print("Chose n_neighbors automatically:", n_neighbors)

    # Create and train the KNN classifier
    knn_clf = neighbors.KNeighborsClassifier(n_neighbors=n_neighbors, algorithm=knn_algo, weights='distance')
    print(knn_clf)
    knn_clf.fit(X, y)

    # Save the trained KNN classifier
    if model_save_path is not None:
        with open(model_save_path, 'wb') as f:
            pickle.dump(knn_clf, f)

    return knn_clf

def trainer():
    # STEP 1: Train the KNN classifier and save it to disk
    # Once the model is trained and saved, you can skip this step next time.
    print("Training KNN classifier...")
    classifier = train("app/facerec/dataset", model_save_path="app/facerec/models/trained_model.clf", n_neighbors=3)
    print("Training complete!")