더 많은 등록된 사용자를 처리하도록 크기 조정

주의

Face 서비스 액세스는 책임 있는 AI 원칙을 지원하기 위해 자격 및 사용 기준에 따라 제한됩니다. Face 서비스는 Microsoft 관리 고객 및 파트너만 사용할 수 있습니다. 얼굴 인식 접수 양식을 사용하여 액세스를 적용합니다. 자세한 내용은 얼굴 제한 액세스 페이지를 참조하세요.

이 가이드에서는 기존 PersonGroup 및 FaceList 개체에서 LargePersonGroupLargeFaceList 개체로 각각 확장하는 방법을 보여 줍니다. PersonGroups는 무료 계층에서 최대 1,000명, 유료 계층에서 10,000명을 수용할 수 있으며, LargePersonGroups유료 계층에서 최대 백만 명의 사용자를 보유할 수 있습니다.

Important

새 개발에는 최신 데이터 구조 PersonDirectory 가 권장됩니다. 최대 7,500만 개의 ID를 보유할 수 있으며 수동 학습이 필요하지 않습니다. 자세한 내용은 PersonDirectory 가이드참조하세요.

이 가이드에서는 마이그레이션 프로세스를 보여 줍니다. PersonGroup 및 FaceList 개체, 학습 작업 및 얼굴 인식 함수에 대한 기본적인 지식이 있다고 가정합니다. 이러한 주제에 대한 자세한 내용은 얼굴 인식 개념 가이드를 참조하세요.

LargePersonGroupLargeFaceList 는 전체적으로 대규모 작업이라고 합니다. LargePersonGroup 은 최대 100만 명의 사용자를 포함할 수 있으며, 각각 최대 248명의 얼굴을 포함할 수 있습니다. LargeFaceList 는 최대 1백만 개의 얼굴을 포함할 수 있습니다. 대규모 작업은 기존 PersonGroup 및 FaceList유사하지만 새 아키텍처 때문에 몇 가지 차이점이 있습니다.

샘플은 Azure AI Face 클라이언트 라이브러리를 사용하여 C#으로 작성되었습니다.

참고 항목

식별 및 FindSimilar에 대한 Face 검색 성능을 대규모로 사용하도록 설정하려면 LargeFaceListLargePersonGroup을 전처리하는 학습 작업을 도입합니다. 학습 시간은 실제 용량에 따라 초에서 약 반 시간까지 다양합니다. 학습 기간 동안 이전에 성공적인 학습 운영이 수행된 경우 IdentificationFindSimilar를 수행할 수 있습니다. 단점은 대규모 학습으로의 새 게시 마이그레이션이 완료될 때까지 새로 추가된 사람과 얼굴이 결과에 표시되지 않는 것입니다.

1단계: 클라이언트 개체 초기화

Face 클라이언트 라이브러리를 사용하면 키 및 구독 엔드포인트가 FaceClient 클래스의 생성자를 통해 전달됩니다. Face 클라이언트 개체를 만드는 방법에 대한 지침은 빠른 시작을 참조하세요.

2단계: 코드 마이그레이션

이 섹션에서는 PersonGroup 또는 FaceList 구현을 LargePersonGroup 또는 LargeFaceList로 마이그레이션하는 방법에 중점을 둡니다. LargePersonGroup 또는 LargeFaceList는 디자인 및 내부 구현에서 PersonGroup 또는 FaceList와 다르지만 API 인터페이스는 이전 버전과의 호환성을 위해 유사합니다.

데이터 마이그레이션은 지원되지 않습니다. 대신 LargePersonGroup 또는 LargeFaceList를 다시 만듭니다.

PersonGroup을 LargePersonGroup으로 마이그레이션

PersonGroup에서 LargePersonGroup으로 마이그레이션하는 것은 간단합니다. 정확히 동일한 그룹 수준 작업을 공유합니다.

PersonGroup 또는 개인 관련 구현의 경우 API 경로 또는 SDK 클래스/모듈만 LargePersonGroup 및 LargePersonGroup Person으로 변경해야 합니다.

PersonGroup의 모든 얼굴과 사람을 LargePersonGroup에 추가합니다. 자세한 내용은 얼굴 추가를 참조 하세요.

FaceList를 LargeFaceList로 마이그레이션

FaceList API LargeFaceList API
만들기 만들기
삭제 삭제
Get 가져오기
List List
업데이트 업데이트
- 학습
- 학습 상태 가져오기

앞의 표는 FaceList와 LargeFaceList 간의 목록 수준 작업을 비교한 것입니다. 표시된 것처럼 LargeFaceList에는 FaceList와 비교할 때 학습 및 학습 상태 가져오기라는 새로운 작업이 함께 제공됩니다. LargeFaceList 학습은 FindSimilar 작업의 전제 조건입니다. FaceList에는 학습이 필요하지 않습니다. 다음 코드 조각은 LargeFaceList의 학습을 기다리는 도우미 함수입니다.

/// <summary>
/// Helper function to train LargeFaceList and wait for finish.
/// </summary>
/// <remarks>
/// The time interval can be adjusted considering the following factors:
/// - The training time which depends on the capacity of the LargeFaceList.
/// - The acceptable latency for getting the training status.
/// - The call frequency and cost.
///
/// Estimated training time for LargeFaceList in different scale:
/// -     1,000 faces cost about  1 to  2 seconds.
/// -    10,000 faces cost about  5 to 10 seconds.
/// -   100,000 faces cost about  1 to  2 minutes.
/// - 1,000,000 faces cost about 10 to 30 minutes.
/// </remarks>
/// <param name="largeFaceListId">The Id of the LargeFaceList for training.</param>
/// <param name="timeIntervalInMilliseconds">The time interval for getting training status in milliseconds.</param>
/// <returns>A task of waiting for LargeFaceList training finish.</returns>
private static async Task TrainLargeFaceList(
    string largeFaceListId,
    int timeIntervalInMilliseconds = 1000)
{
    // Trigger a train call.
    await FaceClient.LargeTrainLargeFaceListAsync(largeFaceListId);

    // Wait for training finish.
    while (true)
    {
        Task.Delay(timeIntervalInMilliseconds).Wait();
        var status = await faceClient.LargeFaceList.TrainAsync(largeFaceListId);

        if (status.Status == Status.Running)
        {
            continue;
        }
        else if (status.Status == Status.Succeeded)
        {
            break;
        }
        else
        {
            throw new Exception("The train operation is failed!");
        }
    }
}

이전에는 얼굴 및 FindSimilar가 추가된 FaceList일반적인 사용은 다음과 같았습니다.

// Create a FaceList.
const string FaceListId = "myfacelistid_001";
const string FaceListName = "MyFaceListDisplayName";
const string ImageDir = @"/path/to/FaceList/images";
faceClient.FaceList.CreateAsync(FaceListId, FaceListName).Wait();

// Add Faces to the FaceList.
Parallel.ForEach(
    Directory.GetFiles(ImageDir, "*.jpg"),
    async imagePath =>
        {
            using (Stream stream = File.OpenRead(imagePath))
            {
                await faceClient.FaceList.AddFaceFromStreamAsync(FaceListId, stream);
            }
        });

// Perform FindSimilar.
const string QueryImagePath = @"/path/to/query/image";
var results = new List<SimilarPersistedFace[]>();
using (Stream stream = File.OpenRead(QueryImagePath))
{
    var faces = faceClient.Face.DetectWithStreamAsync(stream).Result;
    foreach (var face in faces)
    {
        results.Add(await faceClient.Face.FindSimilarAsync(face.FaceId, FaceListId, 20));
    }
}

LargeFaceList로 마이그레이션할 때 다음과 같이 됩니다.

// Create a LargeFaceList.
const string LargeFaceListId = "mylargefacelistid_001";
const string LargeFaceListName = "MyLargeFaceListDisplayName";
const string ImageDir = @"/path/to/FaceList/images";
faceClient.LargeFaceList.CreateAsync(LargeFaceListId, LargeFaceListName).Wait();

// Add Faces to the LargeFaceList.
Parallel.ForEach(
    Directory.GetFiles(ImageDir, "*.jpg"),
    async imagePath =>
        {
            using (Stream stream = File.OpenRead(imagePath))
            {
                await faceClient.LargeFaceList.AddFaceFromStreamAsync(LargeFaceListId, stream);
            }
        });

// Train() is newly added operation for LargeFaceList.
// Must call it before FindSimilarAsync() to ensure the newly added faces searchable.
await TrainLargeFaceList(LargeFaceListId);

// Perform FindSimilar.
const string QueryImagePath = @"/path/to/query/image";
var results = new List<SimilarPersistedFace[]>();
using (Stream stream = File.OpenRead(QueryImagePath))
{
    var faces = faceClient.Face.DetectWithStreamAsync(stream).Result;
    foreach (var face in faces)
    {
        results.Add(await faceClient.Face.FindSimilarAsync(face.FaceId, largeFaceListId: LargeFaceListId));
    }
}

앞에서 설명한 것처럼 데이터 관리 및 FindSimilar 부분은 거의 동일합니다. 유일한 예외는 FindSimilar가 작동하기 전에 LargeFaceList에서 새로운 전처리 학습 작업이 완료되어야 한다는 것입니다.

3단계: 제안 학습

학습 작업은 FindSimilar식별 속도를 향상하지만, 특히 대규모로 전환될 때 학습 시간이 발생합니다. 다른 눈금의 예상 학습 시간은 다음 표에 나와 있습니다.

얼굴 또는 사람 크기 조정 예상 학습 시간
1,000 1-2초
10,000 5-10초
100,000 1-2분
1,000,000 10-30분

대규모 기능을 더 잘 활용하려면 다음 전략을 사용하는 것이 좋습니다.

3a단계: 시간 간격 사용자 지정

표시된 TrainLargeFaceList()대로 무한 학습 상태 검사 프로세스를 지연시키는 시간 간격(밀리초)이 있습니다. 얼굴이 더 많은 LargeFaceList의 경우 더 큰 간격을 사용하면 호출 수와 비용이 줄어듭니다. LargeFaceList의 예상 용량에 따라 시간 간격을 사용자 지정합니다.

LargePersonGroup에도 동일한 전략이 적용됩니다. 예를 들어 100만 명이 timeIntervalInMilliseconds 있는 LargePersonGroup을 학습하는 경우 1분 간격인 60,000명일 수 있습니다.

3b단계: 소규모 버퍼

LargePersonGroup 또는 LargeFaceList사람 또는 얼굴은 학습된 후에만 검색할 수 있습니다. 동적 시나리오에서 새 사람 또는 얼굴은 지속적으로 추가되며 즉시 검색할 수 있어야 하지만 학습은 원하는 것보다 오래 걸릴 수 있습니다.

이 문제를 완화하려면 새로 추가된 항목에 대해서만 소규모 LargePersonGroup 또는 LargeFaceList 를 버퍼로 사용합니다. 이 버퍼는 크기가 작으므로 학습하는 시간이 더 짧습니다. 이 임시 버퍼의 즉각적인 검색 기능이 작동합니다. 이 버퍼를 스파서 간격으로 마스터 학습을 실행하여 master LargePersonGroup 또는 LargeFaceList 에 대한 학습과 함께 사용합니다. 예를 들어 한밤중과 매일이 있습니다.

예제 워크플로:

  1. 마스터 컬렉션인 master LargePersonGroup 또는 LargeFaceList를 만듭니다. 버퍼 컬렉션인 LargePersonGroup 또는 LargeFaceList 버퍼를 만듭니다. 버퍼 컬렉션은 새로 추가된 사람 또는 얼굴입니다.
  2. 마스터 컬렉션과 버퍼 컬렉션 모두에 새 사용자 또는 얼굴을 추가합니다.
  3. 새로 추가된 항목이 적용되도록 짧은 시간 간격으로 버퍼 컬렉션만 학습합니다.
  4. 마스터 컬렉션과 버퍼 컬렉션 모두에 대해 Identification 또는 FindSimilar 를 호출합니다. 결과를 병합합니다.
  5. 버퍼 컬렉션 크기가 임계값까지 증가하거나 시스템 유휴 시간에 증가하는 경우 새 버퍼 컬렉션을 만듭니다. 마스터 컬렉션에서 학습 작업을 트리거합니다.
  6. 마스터 컬렉션에서 학습 작업이 완료된 후 이전 버퍼 컬렉션을 삭제합니다.

3c단계: 독립 실행형 학습

비교적 긴 대기 시간이 허용되는 경우 새 데이터를 추가한 직후 학습 작업을 트리거할 필요가 없습니다. 대신 학습 작업은 기본 논리에서 분할되고 정기적으로 트리거될 수 있습니다. 이 전략은 허용 가능한 대기 시간이 있는 동적 시나리오에 적합합니다. 학습 빈도를 더 줄이기 위해 정적 시나리오에 적용할 수 있습니다.

다음과 유사한 함수가 TrainLargePersonGroup 있다고 가정해 보겠습니다 TrainLargeFaceList. 클래스를 호출하여 LargePersonGroup에 대한 독립 실행형 학습의 TimerSystem.Timers 일반적인 구현은 다음과 같습니다.

private static void Main()
{
    // Create a LargePersonGroup.
    const string LargePersonGroupId = "mylargepersongroupid_001";
    const string LargePersonGroupName = "MyLargePersonGroupDisplayName";
    faceClient.LargePersonGroup.CreateAsync(LargePersonGroupId, LargePersonGroupName).Wait();

    // Set up standalone training at regular intervals.
    const int TimeIntervalForStatus = 1000 * 60; // 1-minute interval for getting training status.
    const double TimeIntervalForTrain = 1000 * 60 * 60; // 1-hour interval for training.
    var trainTimer = new Timer(TimeIntervalForTrain);
    trainTimer.Elapsed += (sender, args) => TrainTimerOnElapsed(LargePersonGroupId, TimeIntervalForStatus);
    trainTimer.AutoReset = true;
    trainTimer.Enabled = true;

    // Other operations like creating persons, adding faces, and identification, except for Train.
    // ...
}

private static void TrainTimerOnElapsed(string largePersonGroupId, int timeIntervalInMilliseconds)
{
    TrainLargePersonGroup(largePersonGroupId, timeIntervalInMilliseconds).Wait();
}

데이터 관리 및 식별 관련 구현에 대한 자세한 내용은 얼굴 추가를 참조 하세요.

요약

이 가이드에서는 데이터가 아닌 기존 PersonGroup 또는 FaceList 코드를 LargePersonGroup 또는 LargeFaceList로 마이그레이션하는 방법을 알아보았습니다.

  • LargePersonGroupLargeFaceList는 LargeFaceList에서 학습 작업이 필요하다는 점을 제외하고 PersonGroup 또는 FaceList와 유사하게 작동합니다.
  • 대규모 데이터 집합에 대한 동적 데이터 업데이트에 적절한 학습 전략을 수행합니다.

다음 단계

방법 가이드에 따라 PersonGroup에 얼굴을 추가하거나 스크립트를 작성하여 PersonGroup에서 식별 작업을 수행하는 방법을 알아봅니다.