專案背景

使用者拍照，演算法模型分析照片，檢測到人臉後進行人臉擷取，並進行接下來的業務操作。對於照片中有多張人臉，計算離照片中心點最近的人臉。
（部分專案內容）

測試思考，需求分析

需求分析

演算法是如何實現的
程式碼邏輯找演算法工程師講講

測試點是什麼？

• 是否可以正確檢測到人臉，區分人臉和非人臉
• 檢測到人臉後，人臉的擷取是否合理，不會出現擷取不全，擷取多出，擷取偏斜等不合理情況
• 人臉檢測的評價，準確率、精確率、召回率
• 人臉檢測的速度
• 照片中的多人臉，是否是檢測擷取離中心點最近的人臉

需要什麼樣的測試資料？

只關注APP使用者場景下拍出的照片的人臉檢測，不關注其他生活中各類場景照片。
故不用業界有名的人臉識別資料庫來測試。
APP也有人臉的檢測，需要有較大部分人臉才會進行拍照（APP怎麼實現的，待了解），所以不用太關注沒有人臉的照片來進行測試。但還是需要用一些照片來驗證下。就是不需要各種生活場景的各類物體來測試。

• APP拍攝的照片–XXXX張
  照片需要包括不同光線照明場景，尤其是弱光，光線不足，暗場景下的照片。
  照片需要包括不同姿勢（偏頭、仰頭、側面）場景照片。
  照片質量儘量包括不同的解析度大小 。演算法不處理300萬畫素以下的，所以不用關注低於300萬畫素照片。
  照片人臉被物體（如眼鏡、面膜、口罩、手等）遮擋場景照片。
• 照片中有多個人臉的照片。只考慮APP拍照情況下的多人臉，情況較少出現。
• 沒有人臉照片–XX張
• 線上環境之前出現檢測不到人臉的照片

測試進行

寫測試程式碼，批量執行照片，儲存人臉檢測後，擷取到的人臉照片。

測試結果檢視

人工檢視擷取的人臉照片是否合理
人工檢視多人臉照片擷取的是離中心點最近的人臉
統計照片個數：

TP：實際有人臉，預測有人臉
TN：實際沒有人臉，預測沒有人臉
FP：實際沒有人臉，預測有人臉
FN：實際有人臉，預測沒有人臉

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)

人臉檢測速度

批量執行照片，記錄每張照片人臉檢測耗時，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。