facenet_backup

FaceNet (Google) genera embeddings de 128 o 512 dimensiones con buena generalización ante variaciones de pose e iluminación. Se usa como modelo de respaldo cuando ArcFace devuelve un score con baja confianza o como segunda opinión en casos borderline.

When to use

Usar cuando el score de ArcFace cae en la zona gris (0.40-0.50) — ejecutar FaceNet como segunda opinión y promediar ambos scores. También usar como fallback si el servidor Triton del modelo ArcFace no está disponible.

Instructions

1. Instalar via DeepFace (que incluye FaceNet): pip install deepface
2. O usar directamente facenet-pytorch: pip install facenet-pytorch
3. Con facenet-pytorch:

``python from facenetpytorch import InceptionResnetV1 import torch model = InceptionResnetV1(pretrained='vggface2').eval() def getfacenetembedding(facetensor: torch.Tensor) -> np.ndarray: with torch.nograd(): embedding = model(facetensor.unsqueeze(0)) return embedding.squeeze().numpy() ``

1. Normalizar el tensor de entrada: resize a (160, 160), normalizar a [-1, 1].
2. Comparar embeddings con cosine similarity — umbral de aprobación: 0.40 (FaceNet es menos discriminativo que ArcFace).
3. Estrategia de ensemble: finalscore = 0.7 arcfacescore + 0.3 facenet_score cuando ambos modelos están disponibles.

Notes

• FaceNet VGGFace2 preentrenado tiene mejor cobertura de etnias que LFW — más robusto para KYC internacional.
• El modelo pesa ~100MB — puede cargarse en CPU para evitar competencia por VRAM con ArcFace.
• En producción, priorizar ArcFace R100 siempre — FaceNet es solo para enriquecer casos difíciles.