Python 人脸识别库需要花费很多时间来执行，我也尝试使用Numba，但我'；m无法执行，如何优化以下代码？

face\u编码

包含13个人的嵌入，执行以下方法大约需要9秒

emb

和

face\u编码

的数据类型为numpy.ndarray数组

def face_match(emb, face_encoding):

    face_distances = face_recognition.face_distance(emb, face_encoding)
    
    return face_distances

我还尝试了使用Numba的代码，但我无法找到哪里出了问题

@jit(nopython=True)
def face_match(emb, face_encoding):

    face_distances = face_recognition.face_distance(emb, face_encoding)

    return face_distances

---

我也尝试过使用

@njit（nopython=True）

，但它仍然不起作用

所需的时间取决于该库的实现

要使库更快，必须更改库的代码。如果库使用

numpy

或

scipy

，则速度可能取决于系统上可用的线性代数软件包

---

Numba

可以编译纯python和numpy的子集（例如，没有python列表），使用

@njit

不允许函数的任何不可编译部分。所以这肯定不行。

为什么不使用deepface？它是基于keras的图书馆。这就是为什么它很容易安装和运行

#!pip install deepface
from deepface import DeepFace
resp = DeepFace.verify("img1.jpg", "img2.jpg")
print(resp["verified"])

它的默认人脸识别模型是VGG face，但它也包装了Google FaceNet、OpenFace、Facebook DeepFace、DeepID、Dlib和ArcFace

models = ['VGG-Face', 'Facenet', 'OpenFace', 'DeepFace', 'DeepID', 'Dlib', 'ArcFace']
resp = DeepFace.verify("img1.jpg", "img2.jpg", model_name = models[1])

此外，如果您想在数据库中查找标识，它有一个自定义查找功能

DeepFace.find("img1.jpg", db_path = 'C:/my_db')

---

在这里，您需要将面部图像（.jpg或.png）存储在my_db文件夹中。Find函数在此处返回与img1相同的标识图像。

谢谢您的建议，我将尝试此功能并让您知道。实际上，我正在将人脸识别给出的128个数组保存到DB中，我正在创建帧数组并将该数组保存到“emb”中，我正在从DB中提取“face_encoding”。我附加了我之前注册的所有人的数组，以便以后使用。我想现在你明白我在做什么了。那么你认为我应该怎么做呢？你也可以用deepface提取嵌入。请阅读其文档。模型=DeepFace.build_模型（“Facenet”）；嵌入=模型预测（img）；