Facial Recognition Lab PRD Index

目标

本目录用于沉淀 Mac Apple Silicon 环境下的人脸识别与聚类实验 PRD。实验对比传统 CPU 路线 HOG/dlib 与现代 InsightFace 预训练模型推理路线，并使用 FAISS 完成 1:N 向量检索，使用 DBSCAN 与 2D 降维图完成智能相册聚类分析。

PRD 文件列表

1. 01_dataset_download_prd.md

2. CelebA 全量数据集下载、split、目录结构、身份标签整理与数据清洗。

3. 02_hog_face_recognition_prd.md

4. HOG CPU 人脸检测、dlib 128 维人脸编码、性能与漏检率评估。

5. 03_insightface_mac_prd.md

6. InsightFace 预训练检测与 ArcFace 512 维特征，Mac CoreML/CPU 推理路线评估。

7. 04_faiss_search_prd.md

8. 基于 FAISS 的 1:N 检索实验，不使用 pgvector。

9. 05_dbscan_2d_visualization_prd.md

10. DBSCAN 聚类实验，以及 PCA、t-SNE、UMAP 三种 2D 可视化染色图。

11. 06_benchmark_report_prd.md

12. 综合评测报告，包括速度、准确率、鲁棒性、聚类纯度和实验结论。

推荐执行顺序

1. 先完成数据集下载和样本目录标准化。
2. 分别跑通 HOG 路线和 InsightFace 预训练推理路线。
3. 将两条路线的人脸向量写入独立 FAISS 索引。
4. 做熟人检索、陌生人拒识和阈值分析。
5. 做 DBSCAN 聚类，并输出三类 2D 降维图。
6. 汇总 benchmark 报告。

统一约束

• 检索方案只使用 FAISS，不使用 pgvector。
• HOG 路线作为传统 CPU 对照组。
• InsightFace 标准 Python 包使用 ONNX Runtime 推理后端；Mac 加速优先验证 CoreMLExecutionProvider，不可用时 fallback 到 CPUExecutionProvider 并记录原因。
• 所有实验产物必须保留可复现实验参数。
• 主实验必须使用全量数据集。允许建立 debug subset 做快速验证，但最终报告不能只基于 subset。
• 全量数据可以被划分到不同 split，但不能长期保留一大块完全未使用数据。
• 下载、解压、manifest 生成等流程必须落地为脚本文件，不能依赖 python -c 一次性命令。
• 所有绘图产物统一保存为 JPG，避免 PNG 文件过大。
• 所有全量长任务必须使用 tqdm 展示进度、处理速度和粗略 ETA。