你当前正在访问 Microsoft Azure Global Edition 技术文档网站。如果需要访问由世纪互联运营的 Microsoft Azure 中国技术文档网站，请访问 https://docs.azure.cn。

降低延迟并提高性能

项目
09/03/2024

本指南介绍如何在使用人脸服务时降低网络延迟并提高服务性能。应用程序的速度和性能会影响最终用户（例如注册和使用人脸识别系统的人员）的体验。

缓解延迟

使用人脸服务时你可能会遇到延迟。延迟是指系统通过网络通信时发生的任何类型的延迟。通常情况下，延迟的可能原因包括：

每个数据包从源传输到目标时必须通过的物理距离过长。
传输介质出现问题。
传输路径中的路由器或交换机出现错误。
防病毒应用程序、防火墙和其他安全机制检查数据包需要一定的时间。
客户端或服务器应用程序中出现故障。

本部分介绍如何减少造成 Azure AI 人脸服务延迟的各种成因。

注意

Azure AI 服务不提供与延迟有关的任何服务级别协议 (SLA)。

为人脸资源选择适当的区域

网络延迟是信息从源（应用程序）到目标（Azure 资源）所需的时间，深受发出请求的应用程序与响应这些请求的 Azure 服务器之间的地理距离的影响。例如，如果人脸资源位于 EastUS 位置，则纽约用户响应时间更快，亚洲用户体验到的延迟更长。

建议选择最靠近用户的区域，以最大程度地减少延迟。如果你的用户分布在世界各地，请考虑在不同的区域中创建多个资源，并将请求路由到离客户最近的区域。或者，可以选择一个靠近所有客户的地理中心的区域。

将 Azure Blob 存储用于远程 URL

人脸服务提供两种方法来上传图像进行处理：直接在请求中上传图像的原始字节数据，或提供远程图像的 URL。无论使用哪种方法，人脸服务都需要从其源位置下载图像。如果从人脸服务到客户端或远程服务器的连接缓慢或质量较差，则会影响请求的响应时间。如果存在延迟问题，请考虑将映像存储在 Azure Blob 存储中，并在请求中传递映像 URL。有关更多关于实现的详细信息，请参阅“将映像存储在 Azure 高级 Blob 存储中”。示例 API 调用：

var url = "https://<storage_account_name>.blob.core.windows.net/<container_name>/<file_name>";
var response = await faceClient.DetectAsync(new Uri(url), FaceDetectionModel.Detection03, FaceRecognitionModel.Recognition04, returnFaceId: false);
var faces = response.Value;

请务必使用与人脸资源位于同一区域中的存储帐户。这将减少人脸服务和存储帐户之间连接的延迟。

使用最佳文件大小

如果使用的图像文件很大，它将以两种方式影响人脸服务的响应时间：

上传文件需要更多时间。
服务需要花费更多时间（与文件大小成正比）来处理文件。

准确性与网络速度之间的权衡

输入图像的质量会影响人脸服务的准确性和延迟。质量较低的图像可能会导致错误的结果。质量较高的图像可能会产生更精确的解释。但是，由于图像文件大小较大，质量更高的图像也会增加网络延迟。服务需要更多时间才能从客户端接收和处理整个文件，所用时间与文件大小成正比。超过一定级别后，进一步的质量增强不会显著提高准确性。

若要在准确性和速度之间实现最佳平衡，请按照这些提示优化输入数据。

有关人脸检测和识别操作，请参阅“人脸检测的输入数据”以及“人脸识别的输入数据”。
有关活体检测，请参阅教程。

其他文件大小提示

请注意以下额外提示：

对于人脸检测，使用检测模型 FaceDetectionModel.Detection01 时，减小图像文件大小会提高处理速度。如果使用检测模型 FaceDetectionModel.Detection02，则只有当图像文件小于 1920x1080 像素时，减小图像文件大小才会提高处理速度。
对于人脸识别，如果图像小于 200x200 像素，则减少人脸大小只会提高速度。
人员检测方法的性能还取决于图像中有多少人脸。对于每个图像，人脸服务最多可以返回 100 张人脸。人脸将根据人脸矩形大小按从大到小的顺序排序。

尽可能并行调用 API

如果你需要调用多个 API，请考虑并行调用这些方法（如果你的应用程序设计允许这样做）。例如，如果需要检测两个图像中的人脸来执行人脸比较，则可以在异步任务中调用它们：

string url1 = "https://raw.githubusercontent.com/Azure-Samples/cognitive-services-sample-data-files/master/Face/images/detection1.jpg";
string url2 = "https://raw.githubusercontent.com/Azure-Samples/cognitive-services-sample-data-files/master/Face/images/detection2.jpg";
var response1 = client.DetectAsync(new Uri(url1), FaceDetectionModel.Detection03, FaceRecognitionModel.Recognition04, returnFaceId: false);
var response2 = client.DetectAsync(new Uri(url2), FaceDetectionModel.Detection03, FaceRecognitionModel.Recognition04, returnFaceId: false);

Task.WaitAll(new Task<Response<IReadOnlyList<FaceDetectionResult>>>[] { response1, response2 });
IEnumerable<FaceDetectionResult> results = response1.Result.Value.Concat(response2.Result.Value);

平滑处理峰值流量

人脸服务的性能可能会受到流量高峰的影响，这可能会导致限制，吞吐量降低和延迟升高。建议逐步增加 API 调用的频率，避免立即重试。例如，如果你有 3000 张照片用于执行面部检测，请不要同时发送 3000 个请求。取而代之，请在 5 分钟内按顺序发送 3000 个请求（即每秒约 10 个请求），以使流量更加稳定一致。如果要缩短完成时间，请逐渐增加每秒调用数，以使流量平滑增加。如果遇到任何错误，请参阅“有效处理错误”来处理响应。

有效处理错误

由于各种原因，人脸 API 调用上可能会出现错误 429 和 503。应用程序必须始终为处理这些错误做好准备。以下是一些建议：

HTTP 错误代码	说明	建议
`429`	限制	并发调用可能会遇到速率限制。应降低调用频率，并使用指数退避重试。避免立即重试，并避免同时重新发送大量请求。如果要增加限制，请参阅配额指南的“请求增加”部分。
`503`	服务不可用	服务可能正忙，无法立即响应请求。应采用类似于错误 `429` 的策略的退避策略。

确保可靠性和支持

以下是确保应用程序拥有可靠性和高度支持的其他提示：

生成一个唯一的 GUID 作为 client-request-id HTTP 请求标头，并随每个请求一起发送该 GUID。这有助于在需要报告 Microsoft 的问题时，让 Microsoft 更轻松地调查任何错误。
- 始终记录遇到意外响应时收到的 client-request-id 和响应。如果需要任何帮助，请向 Microsoft 支持部门提供此信息，以及问题发生时的 Azure 资源 ID 和时间段。
在将应用程序发布到生产环境之前进行试点测试。确保应用程序可以正确有效地处理错误。

后续步骤

本指南介绍在使用人脸服务时如何提高性能。接下来，按照教程设置一个工作软件解决方案，该解决方案结合了服务器端和客户端逻辑，以便对用户进行人脸活体检测。

教程：人脸活体检测

通过