使用者拍照，演算法模型分析**，檢測到人臉後進行人臉擷取，並進行接下來的業務操作。對於**中有多張人臉，計算離**中心點最近的人臉。
（部分專案內容）
需求分析
演算法是如何實現的
**邏輯找演算法工程師講講
測試點是什麼？
需要什麼樣的測試資料？
沒有人臉**–xx張
線上環境之前出現檢測不到人臉的**
測試資料要多少，**要多少張合理。在能收集的情況下，參考之前寫的文章
【ai測試】也許這有你想知道的人工智慧 (ai) 測試–開篇
測試進行
寫測試**，批量執行**，儲存人臉檢測後，擷取到的人臉**。
測試結果檢視
人工檢視擷取的人臉**是否合理
人工檢視多人臉**擷取的是離中心點最近的人臉
統計**個數：
tp：實際有人臉，**有人臉
tn：實際沒有人臉，**沒有人臉
fp：實際沒有人臉，**有人臉
fn：實際有人臉，**沒有人臉
得到評價指標：
準確率(accuracy) ＝ (tp + tn) / 總樣本
精確率(precision) ＝ tp / (tp + fp)
召回率(recall) ＝ tp / (tp + fn)
批量執行**，記錄每張**人臉檢測耗時，資料格式轉成numpy，使用numpy函式
得到最大值、最小值、平均值、中位數 等耗時資料。
人臉檢測 SRN測試與評估復現
參考 ubuntu16.04 python3.6 torch 0.4.1 cuda90 cycler 0.10.0 kiwisolver 1.3.1 matplotlib 3.3.3 numpy 1.19.4 opencv python 4.4.0.46 pillow 8.0.1 pyparsing...
AI人臉識別的測試重點
之前的文章重點分享了ai的概念和應用，以及ai的架構與核心，結合到專案裡，最常見的 ai應用就是人臉識別，因此這篇文章從人臉識別的架構和核心上，來講講測試的重點。首先是人臉採集。安裝拍照攝像裝置之後，需要在動態的場景與複雜的背景中判斷是否存在人臉，並分離出這種面像。然後採集到人臉的 因此採集過程是非...
測試專案的管理原則
開發專案的成敗，取決於 過程 人 技術 這三方面的水平和協調，過程是基礎 人是核心，而技術是保證，三方面相互制約，又相互促進。哪一方面沒能跟上，形成薄弱環節，專案成功的可能性就會變小。測試專案也不例外，需要從這三方面一起抓。特別是軟體測試，流程定義的科學性與規範性 流程執行的嚴格性 人員的高度責任感...