如何提升Python face_recognition库compare_faces万级人脸比对速度

以下是针对你当前场景可直接落地的优化方案：

• 去掉冗余IO操作
  你当前循环内两次print调用属于性能损耗极高的控制台IO操作，Windows系统下该类操作的耗时远高于计算逻辑，可直接删除这两行打印，仅保留匹配成功时的打印逻辑即可，单这一项就能提升30%以上的运行速度。
• 预缓存人脸编码，避免重复计算
  你当前方案的90%以上耗时都集中在face_encodings提取人脸特征的步骤，比对逻辑本身开销极低。你可以首次运行时将10000张图的人脸编码序列化保存到本地（比如用pickle库存为.pkl文件），后续所有比对任务直接读取本地缓存的编码列表即可，无需反复加载图片、提取特征，后续比对速度可提升到每秒数千次。
  示例序列化代码片段：

  import pickle
  import os
  # 首次生成编码时运行
  encodings = []
  filenames = []
  for f in files:
      # 只处理jpg文件，避免异常
      if not f.lower().endswith('.jpg'):
          continue
      img = face_recognition.load_image_file(os.path.join(path, f))
      face_enc = face_recognition.face_encodings(img)
      # 跳过检测不到人脸的图片
      if not face_enc:
          continue
      encodings.append(face_enc[0])
      filenames.append(f)
  # 保存到本地
  with open('face_encodings.pkl', 'wb') as f:
      pickle.dump({'encodings': encodings, 'filenames': filenames}, f)
  
  # 后续比对时直接读取，无需再遍历图片
  with open('face_encodings.pkl', 'rb') as f:
      data = pickle.load(f)
  all_encodings = data['encodings']
  all_filenames = data['filenames']
  # 批量比对效率远高于循环单次比对
  results = face_recognition.compare_faces(all_encodings, known_encoding)
  

• 开启并行特征提取
  face_encodings方法支持num_jobs参数，传入你的CPU线程数即可开启并行提取，比如4线程CPU就设置num_jobs=4，特征提取速度可提升3-4倍：

  unknown_encoding = face_recognition.face_encodings(unknown_image, num_jobs=4)[0]
  

• 优化运行环境
  1. 不要在Visual Studio 2019中运行脚本，直接使用系统命令行执行Python脚本，可减少IDE占用的内存和CPU资源，避免系统资源争抢
  2. 关闭所有后台不必要的进程，你当前仅4GB内存，Windows7系统本身就会占用2GB左右内存，内存不足触发虚拟内存分页会大幅降低运行速度
  3. 可编译安装支持OpenVINO加速的dlib依赖，适配你的Intel HD Graphics核显，特征提取速度可再提升2-3倍

内容的提问来源于stack exchange，提问作者данил куролесов