如何評價美顏api中人臉識別和人臉檢測的準確度？

人臉識別和人臉檢測識別是美顏api中的技術支撐之一，在理想狀態下，人臉識別準確率越高越好，但實際情況中，經常會受到逆光、暗光、強光、識別角度等諸多實際因素的影響，因此，脫離使用場景單獨考量演算法的識別準確率參考價值不大。

那麼，該如何科學評判美顏api人臉識別和人臉檢測的準確度？

一、 人臉識別關鍵指標

多數情況下，以基於FAR（錯誤接受率，又稱誤識率，即把某人誤識為其他人的概率）和FRR（錯誤拒絕率，即本人註冊在底庫中，但比對相似度達到不預定的值）的DET曲線作為判斷參考。

1、 錯誤拒絕率（FAR）

相似度值範圍內等分為若干檔，得到若干個不同的閾值S，計算不同閾值S的FRR如下：FRR（S）= 同人比對相似度中低於閾值S的數量 / 同一人比對總數 X 100%

2、 錯誤接受率（FRR）

相似度值範圍內等分為若干檔，得到若干個不同的閾值S，計算不同閾值S的FAR如下：FAR（S）= 非同人比對相似度中不低於閾值S的數量 / 非同人比對總數 X 100%。

理想狀況下，FAR和FRR都越低越好，但兩個指標是一個蹺蹺板，一個指標的降低通常意味著另一個指標會升高，所以需要實現兩者間的平衡。一般認為在FAR達到市場正常水準時，FRR越低，該人臉識別演算法演算法效能就越好。

二、 人臉檢測關鍵指標

評價一款人臉檢測演算法，也有檢測率、誤報率、FPS、IOU四個指標：

檢測率=檢測出的人臉數 / 影像中所有人臉數

誤報率=誤報個數 / 影像中所有非人臉掃描視窗數

FPS，即幀率，體現人臉檢測速度及效能。

IOU，即檢測出來的人臉框A和實際的人臉框B的重合率。

一般情況下，檢測率越高越好，誤報率越低越完美，但這兩者需要一個最優的平衡。

以上就是 美顏api中 人臉識別和人臉檢測的準確度評價引數。