Face Recognition
Best Practices & Troubleshooting
Panduan penempatan kamera, kualitas enrollment, tuning threshold, keterbatasan sistem, dan runbook untuk pesan error Face Recognition.
Best Practices
Penempatan Kamera
Sebagian besar masalah akurasi berakar pada kamera: wajah terlalu kecil, sudut terlalu curam, atau backlight. Ikuti spesifikasi dan panduan penempatan di Persyaratan — Penempatan Kamera — satu chokepoint per kamera, pitch ≤ 15°, wajah ≥ 100 px, cahaya dari arah kamera.
Kualitas Enrollment
- Gunakan foto wajah dengan pencahayaan merata dan posisi frontal.
- Daftarkan 2–3 variasi per orang (sudut berbeda, kondisi cahaya berbeda) untuk kecocokan lebih baik.
- Hindari foto dengan kacamata gelap, topi, atau oklusi parsial lainnya.
- Gunakan keyspace terpisah per grup (karyawan, VIP, watchlist) dan jalankan satu pipeline per keyspace jika perlu keputusan berbeda per grup.
Tuning Threshold
- Mulai dengan nilai default
similarity_threshold: 0.85. - Monitor false positive (salah identifikasi) dan false negative (orang dikenal tidak terkenali) selama beberapa hari sebelum mengubah.
- Untuk keamanan tinggi: naikkan ke 0.90–0.95 dan gunakan
mode: 0(FRONTAL). - Untuk analitik keramaian: turunkan ke 0.75–0.80 dan set
frontal_only: false. - Perubahan environment variable memengaruhi semua pipeline yang tidak menentukan nilai eksplisit; gunakan parameter API untuk pengecualian per kamera.
Memilih Antara Native dan Hybrid
- Pilih Native (
NFV4-FR/NFV4-FRA/NFV4-FRA2) ketika kapasitas GPU server mencukupi dan akurasi deteksi adalah prioritas utama. - Pilih
NFV4-LFRuntuk deployment edge dengan satu atau dua kamera per perangkat dan resource GPU terbatas. - Pilih varian Hybrid ketika kamera/perangkat sudah mendukung deteksi wajah on-device — ini menghemat GPU server secara signifikan dan memungkinkan jumlah stream yang jauh lebih besar per node.
Keterbatasan
- Pengaruh pencahayaan — pencahayaan buruk, backlight, atau bayangan keras menurunkan akurasi deteksi dan recognition secara signifikan.
- Oklusi wajah — masker, kacamata hitam, topi lebar, atau rambut yang menutupi wajah menurunkan akurasi pengenalan.
- Wajah sangat kecil — wajah di bawah
fr_min_face_size(default 20 pixel) difilter; akurasi recognition tetap rendah pada wajah di bawah 80–100 pixel meskipun lolos filter. - Gerakan cepat — motion blur dapat menyebabkan wajah gagal lolos
fr_blur_filter_threshold. Gunakan preset Moving View untuk kamera bergerak. - Wajah dari samping ekstrem — dengan
frontal_only: true(default), wajah yang berpaling jauh dari kamera tidak diproses. - Kembar identik — sistem memiliki kemampuan membedakan kembar, tetapi untuk keamanan sangat tinggi pertimbangkan faktor autentikasi tambahan.
- Database besar — performa pencarian FREMIS-N dapat menurun pada keyspace yang sangat besar; keyspace anonim juga terus bertambah jika fitur anonim aktif. Konsultasikan kapasitas dengan tim infrastruktur dan bersihkan keyspace anonim secara berkala.
- Kualitas deteksi varian Hybrid — akurasi dan recall deteksi bergantung pada algoritma yang berjalan di kamera/perangkat sumber. Visionaire tidak dapat menyetel parameter deteksi pada perangkat tersebut, dan tidak ada tracking multi-frame di sisi server.
- Atribut hanya pada
NFV4-FRA/NFV4-FRA2— varian lain tidak menghasilkan atribut demografis.
Troubleshooting
Pesan berikut muncul sebagai side message pipeline (terlihat di status pipeline dan live view) atau di log container. Gunakan docker logs visionaire4 untuk melihat log lengkap.