InsightFace Server avec Docker : démarrage rapide

Exécutez un des blocs à la racine du dépôt. Le fichier Compose fourni est utilisé directement et détermine l’image à télécharger. Si le dépôt est déjà à jour, ignorez git clone.

Ouvrez http://SERVER:18097/ pour CPU ou http://SERVER:18098/ pour CUDA 12. --accept-license accepte les conditions du modèle ; consultez-les avant exécution.

Dans Collections, créez un ID stable tel que employees. Choisissez un profil annoncé par System, dimensionnez capacity selon la mémoire et commencez au seuil de cosinus brut par défaut 0,4. Une Collection est liée à l'identité et au digest du modèle, à la dimension, au prétraitement et au profil de détection.

Dans People, sélectionnez la Collection et inscrivez une Person avec une ou plusieurs images JPEG, PNG, WebP ou BMP nettes. standard review constitue un bon départ : un seul visage exploitable est exigé et taille, confiance, netteté, luminosité et pose sont contrôlées. Un lot peut réussir partiellement ; examinez chaque motif de rejet.

Dans Search, choisissez la même Collection et chargez une autre photo de cette Person. Les résultats sont triés par similarité cosinus brute et le score d'une Person est le meilleur parmi ses FaceSamples. La similarité n'est pas une probabilité. Aucun résultat renvoie normalement une liste vide.

Pour une nouvelle installation, ajoutez --enable-liveness à la commande d’installation du modèle. Les modèles requis sont vérifiés et l’activation est enregistrée avant le premier démarrage.

Pour un service en cours d’exécution, utilisez la commande correspondante ci-dessous puis redémarrez-le. L’installation normale et models addons install liveness n’activent pas la fonction.

Redémarrez le service après une installation réussie. up -d seul ne recharge pas les réglages d’un conteneur existant. La fonction reste désactivée par défaut et l’inscription dispose du réglage indépendant liveness_on_registration.

Le code source du Server et le SDK Python sont sous licence MIT, mais les fichiers et poids de modèles n'en relèvent pas. Les paquets publics InsightFace, dont buffalo_l, sont généralement réservés à la recherche académique non commerciale sans autorisation commerciale distincte d'InsightFace ; l'auto-hébergement n'accorde aucun droit commercial sur le modèle.

L'installation écrit manifest.json et MODEL.LICENSE signé dans server/.models. verify contrôle identité, signature, validité et autorisation. Cette licence décrit le modèle et l'usage permis : c'est un justificatif de conformité, pas un DRM ni une somme de contrôle des fichiers.

Modèles disponibles : buffalo_l, buffalo_m, buffalo_s, buffalo_sc, antelopev2, raccoon_s et raccoon_l. Server utilise la détection et la reconnaissance de Raccoon, sans son vérificateur PrivateFrame. Un changement exige une Collection compatible et une réinscription ou migration des données.

Les fichiers Compose désactivent l'authentification pour une évaluation isolée. Avant tout accès externe, activez-la, stockez une longue clé API aléatoire dans l'environnement secret et redémarrez la pile choisie. L'interface Web peut garder la clé uniquement en mémoire dans l'onglet courant.

Terminez HTTPS sur un reverse proxy de confiance, limitez CORS aux origines nécessaires, appliquez limites de débit, corps et délai en périphérie, et protégez Docker, /data, /models et sauvegardes. Ne journalisez jamais images, embeddings, identifiants RTSP ou clés API.

Conservez /data, les modèles et server/config. Sauvegardez SQLite et les recadrages ensemble sans écritures, ou avec un instantané sûr pour SQLite. Protégez-les comme données biométriques et activez clé API et HTTPS avant toute exposition réseau.

Utilisez la commande down complète de la pile démarrée. down normal retire conteneurs et réseau mais conserve le volume. N'ajoutez jamais -v : docker compose down -v supprime définitivement le volume de données.

Les deux conteneurs tournent en root (0:0), avec un montage /models unique et un répertoire de configuration accessibles en écriture. Les répertoires de modèles et addons/ sont créés au besoin. Aucun UID/GID hôte ni réglage manuel des droits n’est nécessaire. Le système de fichiers racine du conteneur reste en lecture seule.

Arrêtez les écritures et sauvegardez la base et les recadrages. Actualisez les fichiers de déploiement et fusionnez vos réglages, en conservant server/config/server.toml, modèles, noms de projet et de volume, ports et clé API. Utilisez le fichier Compose correspondant et ajoutez vos fichiers de surcharge et nom de projet si nécessaire.

Téléchargez les deux images et recréez Server. restart n’applique ni nouvelle image ni nouveau montage. Vérifiez l’état, le fournisseur d’exécution, les données et une recherche connue. À modèle et contrat d’embedding identiques, les échantillons sont conservés ; changer de modèle exige une migration distincte. Actualisez aussi le SDK depuis le même dépôt à jour.

Commencez par health, puis examinez System, l'état des conteneurs et les logs de la pile. Sous CUDA, l'arrêt au démarrage est volontaire si Driver, GPU, sessions, CUDAExecutionProvider, audit du provider ou préchauffage échouent ; aucun retour silencieux au CPU n'existe.

Chaque réponse porte x-request-id et les erreurs contiennent request_id. Conservez cet identifiant avec les logs correspondants. 401 unauthorized indique souvent une clé absente ou tournée ; 409 collection_model_mismatch un autre contrat ; 422 face_not_found qu'aucun visage exploitable n'a été sélectionné.

CUDA doit annoncer CUDAExecutionProvider. Au démarrage, GPU, Driver, CUDA/cuDNN/ONNX Runtime, sessions réelles de détection et reconnaissance, placement du provider et inférence de préchauffage sont validés. Le service s'arrête en cas d'échec au lieu de revenir silencieusement au CPU.