1. 비교 요약

항목	face_recognition (HOG/CNN)	insightface
모델 크기	128D	512D
성능	중간 (HOG), 높음 (CNN)	매우 높음 (ArcFace 기준)
속도	빠름 (HOG), 느림 (CNN)	중간~빠름 (모델 따라 다름)
GPU 필요 여부	❌ (HOG), ✅ (CNN)	✅ 대부분 필요
멀티인물 강인성	❌ 약함	✅ 강함
커스터마이징	쉬움	구조 다양, 유연
실무 적용	소규모, 빠른 분류	정확도 중시, 대규모

---

2. face_recognition 요약

a. 참고 자료

• GitHub

b. 기반 라이브러리: dlib

• face_recognition은 python 라이브러리로 내부적으로 dlib 라이브러리를 바탕으로 동작.

• 사용되는 모델 이름

  기능	백엔드 모델
  얼굴 검출	HOG or CNN (dlib)
  얼굴 정렬	68-point landmark detector (dlib)
  얼굴 임베딩	dlib_face_recognition_resnet_model_v1.dat (ResNet-34 계열, 128D 임베딩)

c. 핵심 구조 및 작동 방식

가. 얼굴 인식 파이프라인:

1. 얼굴 검출 (HOG 또는 CNN)
2. 랜드마크 추출 (68개 포인트)
3. 얼굴 정렬
4. 128D 얼굴 임베딩 생성 (ResNet 기반)

나. 지원 임베딩 모델:

• hog: CPU에서 빠르게 실행되며 정적 이미지에 적합 (정확도 ↓, 속도 ↑)
• cnn: GPU 기반 CNN 검출기 사용, 정확도 ↑ (정확도 ↑, 속도 ↓)
• 임베딩 생성은 dlib의 resnet_v1 기반 128D face embedding 모델 사용
• 클러스터링/매칭:
  • 유클리디안 거리 기반 k-NN 또는 DBSCAN으로 분류
  • cosine distance 기반도 가능하나 기본은 L2

다. 학습 및 데이터 구성

• dlib ResNet 모델 학습 데이터:
  • VGGFace2, CASIA-WebFace 등 공개 얼굴 데이터셋 기반
• 훈련 파라미터:
  • 임베딩 크기: 128
  • 입력 사이즈: 150x150 기준 (정렬 후 크롭 이미지)

라. 성능 요약

구성	HOG	CNN
속도	빠름 (CPU)	느림 (GPU 필요)
정확도	낮음	높음
사용 환경	저사양, 빠른 분류	정밀한 인식 필요 시

• face_recognition은 간단한 구성과 쉬운 사용이 강점이며, CPU에서도 사용 가능한 점이 유리하지만, 정확도와 정밀 분류에는 한계가 있음.

---

3. insightface 요약

a. 참고 자료

• GitHub
• 모델 허브

b. 핵심 구조 및 개선된 작동 원리

가. End-to-End 얼굴 인식 프레임워크

• 검출기(Detector) + 정렬기(Aligner) + 인식기(Embedder) 통합 제공
• 주요 구성:
  • RetinaFace: 얼굴 검출
  • ArcFace, MagFace, CurricularFace: 임베딩 생성
  • Buffalo_L, Antelope_v2: 사전 통합 파이프라인 모델

나. 임베딩 모델 특징

• ArcFace: 고성능 SOTA 모델로, L2-normalized feature + additive angular margin loss 사용
• MagFace: 얼굴 품질(magintude)에 따른 adaptive loss 사용
• 임베딩 크기: 512D (기본)

다. 특징

• 측면 얼굴, 부분 얼굴, 저해상도 얼굴에도 강인
• 다양한 얼굴 표현, 포즈, 표정에 대한 적응력 높음

c. 학습 및 데이터 구성

• 학습 데이터:
  • MS1M, Asian-DeepGlint, WebFace42M 등 대규모 웹 기반 얼굴 이미지
• 주요 사전학습 모델:
  • glint360k_r100, arcface_r100, magface_r100, buffalo_l, antelopev2
• 임베딩 크기: 512
• 입력 사이즈: 112x112

d. 성능 요약

모델	정확도 (LFW 기준)	임베딩 크기	장점
ArcFace R100	99.83%	512	고정밀 SOTA
MagFace	99.73%	512	품질-aware 특성
Buffalo_L	99.83%	512	전체 파이프라인 통합
Antelope_v2	99.75%	512	경량 + 높은 정확도

• insightface는 얼굴 인식의 최신 연구들을 통합한 프레임워크로, SOTA 정확도와 확장성을 보장하며, 다양한 임베딩 모델을 제공해 상황에 따라 유연하게 선택 가능