当前位置：首页 > news >正文

face-recognition.js 模型训练与保存：构建可复用的人脸识别系统

news 2026/5/11 7:44:26

face-recognition.js 模型训练与保存：构建可复用的人脸识别系统

【免费下载链接】face-recognition.jsSimple Node.js package for robust face detection and face recognition. JavaScript and TypeScript API.项目地址: https://gitcode.com/gh_mirrors/fa/face-recognition.js

face-recognition.js 是一个简单的 Node.js 包，提供强大的人脸检测和人脸识别功能，支持 JavaScript 和 TypeScript API。本文将详细介绍如何使用 face-recognition.js 进行模型训练与保存，帮助你构建可复用的人脸识别系统。

📋 准备工作：环境搭建与项目结构

在开始模型训练之前，首先需要确保你的开发环境已经准备就绪。你可以通过以下命令克隆项目仓库：

git clone https://gitcode.com/gh_mirrors/fa/face-recognition.js

项目的核心功能模块位于 lib/src/FaceRecognizer/ 目录下，其中包含了人脸识别相关的核心代码。示例代码则存放在 examples/ 目录，你可以参考这些示例来快速上手。

🧠 模型训练：从数据到模型

1. 准备训练数据

模型训练的第一步是准备高质量的人脸数据。在 face-recognition.js 项目中，示例数据存放在 examples/data/faces/ 目录下，包含了多个人物的多张人脸图片。你可以按照类似的结构组织自己的训练数据，每个人物一个文件夹，包含多张不同角度、不同表情的人脸图片。

2. 加载训练数据

使用fr.loadImage方法加载图片数据。以下是从 examples/faceRecognition2.js 中提取的代码片段，展示了如何加载训练数据：

const allFiles = fs.readdirSync(facesPath) const imagesByClass = classNames.map(c => allFiles .filter(f => f.includes(c)) .map(f => path.join(facesPath, f)) .map(fp => fr.loadImage(fp)) )

3. 训练模型

加载数据后，使用recognizer.addFaces方法添加人脸数据并进行训练。代码如下：

imagesByClass.forEach((faces, label) => recognizer.addFaces(faces, classNames[label]))

这一步会根据输入的人脸数据生成特征描述符，用于后续的人脸识别。

图：适合人脸识别训练的多人脸场景图片，可用于模型训练和测试

💾 模型保存：持久化你的训练成果

训练好的模型可以保存到本地，以便在后续的应用中直接加载使用，避免重复训练。使用recognizer.serialize()方法将模型序列化为 JSON 格式，然后通过fs.writeFileSync保存到文件：

fs.writeFileSync(trainedModelFilePath, JSON.stringify(recognizer.serialize()));

在示例代码 examples/faceRecognition2.js 中，模型被保存为faceRecognition2Model_150.json文件，存放在应用数据目录下。

🚀 模型加载与复用：构建可复用的人脸识别系统

1. 加载已保存的模型

当需要使用已训练好的模型时，可以通过recognizer.load方法加载保存的模型文件：

recognizer.load(require(trainedModelFilePath))

2. 进行人脸识别

加载模型后，就可以对新的人脸图片进行识别了。以下代码展示了如何检测图片中的人脸并进行识别：

const faceRects = detector.locateFaces(img).map(res => res.rect) const faces = detector.getFacesFromLocations(img, faceRects, 150) const prediction = recognizer.predictBest(faces[i], unknownThreshold)

通过调整unknownThreshold参数（如示例中的 0.6），可以控制识别的严格程度，低于该阈值的结果将被标记为未知。

图：人脸识别技术可应用于各种场景，如人物识别、安全监控等