digital_reception_ra/apps/face-service

face-service

Python + FastAPI + InsightFace buffalo_l. Считает 512-d L2-нормализованные эмбеддинги лиц, хранит в pgvector, делает cross-camera re-id и узнавание пациентов.

Эндпоинты

Метод	Путь	Назначение
GET	/health	Статус + флаг загрузки модели
POST	/embed	Только эмбеддинг (без БД). Body: {frame: base64}
POST	/track-embeddings	Сохранить эмбеддинг с привязкой к треку/камере
POST	/reid/search	Cross-camera re-id (top-K в окне T мин)
POST	/recognize	Узнать пациента (patient_id) по кадру
POST	/enroll	Привязать эмбеддинги трека к пациенту
DELETE	/patient/{id}/embeddings	Удалить эмбеддинги пациента (отзыв согласия)
GET	/patient/{id}/count	Кол-во эмбеддингов у пациента

Запуск (dev)

cd apps/face-service
python -m venv .venv && source .venv/bin/activate
pip install -r requirements.txt
cp .env.example .env       # либо использовать корневой .env
uvicorn main:app --reload --port 8001

Запуск (docker)

docker build -t reception/face-service .
docker run --rm -p 8001:8001 \
  -e DATABASE_URL=postgresql://postgres:postgres@host.docker.internal:5434/reception \
  reception/face-service

Пороги (ТЗ §4.3)

• RECOGNITION_THRESHOLD=0.5 — узнавание уже зарегистрированного пациента.
• REID_THRESHOLD=0.35 — склейка треков между камерами (строже, иначе ложные склейки).

Тюним после baseline-замеров на проде.

Источник

Скопировано и расширено из work-pcs-adm-time-tracker/apps/face-service/. Изменения:

• Новая схема face_embeddings (track_id, camera_id, patient_id, quality, captured_at) — управляется через Prisma в packages/db.
• Добавлены функции save_embedding_with_meta, attach_track_to_patient, find_topk_in_window, find_nearest_patient, delete_patient_embeddings.
• Эндпоинты /embed, /track-embeddings, /reid/search, /enroll, /patient/.../embeddings — новые.
• Эндпоинт /recognize теперь работает только с эмбеддингами с проставленным patient_id (т.е. с согласием).