This section is currently available in Chinese only.
EvoFace：企業級邊緣運算 AI 臉部辨識考勤系統
1. 專案概述與目標 (Project Overview & Objectives)
專案概述： EvoFace 是一套專為企業落地設計的「邊緣運算 AI 臉部辨識考勤系統」。本系統以 InsightFace 為辨識核心，完整涵蓋從前端打卡終端 (PySide6) 到員工自助查詢入口 (Streamlit) 的雙平台架構，並將複雜的三班制與跨日打卡邏輯自動化，提供一站式的企業出勤解決方案。
專案願景： 摒棄傳統依賴昂貴 GPU 伺服器與雲端 API 的 AI 應用思維，本專案致力於解決「AI 技術落地」的真實工程挑戰。透過深度優化邊緣運算與底層架構，EvoFace 成功在普通商用 CPU 設備上實現流暢的高負載辨識，大幅降低企業導入 AI 的建置門檻。
核心目標：
零接觸與嚴格防弊： 整合異質模型與 MiniFASNet 活體偵測，徹底杜絕傳統感應卡代刷與手機翻拍漏洞，確保考勤 100% 真實。
高併發極致流暢： 導入非同步多執行緒 (QThread) 與資料庫讀寫分離 (SQLite WAL Mode)，解決尖峰時刻千人排隊打卡導致的系統卡頓與鎖死 (Locking) 痛點。
動態適應與免維護： 獨創自適應權重熱更新 (Hot-Update) 機制，系統能自動學習員工換髮型或戴眼鏡等外貌變化，實現「越用越準」的長期穩定性。
2. 企業痛點 vs. EvoFace 解決方案 (Pain Points & Solutions)
在千人規模的製造業或排班制企業中，傳統打卡系統常面臨以下挑戰，而 EvoFace 提供了根本性的技術解法：
痛點一：代打卡防弊困難 ➡️ [解法] 異質模型活體防偽 不再依賴單一模型，整合 MediaPipe 與 InsightFace 進行精準特徵比對，並掛載 MiniFASNet 活體偵測引擎，徹底防堵照片或螢幕翻拍攻擊。
痛點二：尖峰打卡導致系統卡頓 ➡️ [解法] 非同步架構與併發控制 針對上下班尖峰時刻，導入
QThread(RecognitionWorker) 徹底分離 AI 運算與 UI 渲染；同時啟用 SQLiteWAL模式，讓前台百人連續刷臉與後台人資撈取報表可「零延遲」同步進行。痛點三：外貌變化導致辨識率下降 ➡️ [解法] 動態特徵熱更新 (Hot-Update) 獨創自適應權重演進機制，系統會自動學習員工日常的微小外貌變化，即時將新特徵熱更新至記憶體，降低後續維護成本。
痛點四：初期員工建檔耗時費力 ➡️ [解法] 證件照無痛註冊 (Zero-Setup) 打破需「全體排隊現場拍照」的限制，系統具備跨場景特徵擷取能力，人資僅需匯入員工既有證件照即可完成建檔，實現零干擾導入。
3. 核心技術亮點解析 (Technical Highlights)
相較於單純呼叫開源模型 API，本專案更著重於「演算法落地」的軟體工程實踐與使用者體驗：
邊緣推論輕量化 (Edge Inference)： 將龐大的深度學習模型全面轉換為 ONNX Runtime 格式。在純 CPU 環境下，依然能將「人臉追蹤 ➡️ 活體偵測 ➡️ 特徵比對」的完整 Pipeline 壓制在毫秒級別。
防誤判與雙軌備援機制 (Context-Aware & Fallback Logic)：
猶豫機制與密碼備援 (Ambiguity & Password Fallback)： 當候選人相似度差距過小 (<0.05) 或落入模糊信心度 (>0.4) 時，系統啟動防護拒絕放行，並自動彈出「工號與密碼」輔助驗證視窗，確保極端環境下現場動線不斷。
智慧冷卻 (Debounce)： 精準識別已打卡但仍在鏡頭前逗留的員工，自動進入倒數冷卻期，避免傳統系統瘋狂彈出「重複辨識」的錯誤提示。
極端情境排除與 UX 優化 (Edge-Cases & UX)： 內建影像鏡像翻轉與語音回饋 (Voice Feedback)。同時具備防呆機制，能自動偵測「距離過遠 (FACE_TOO_SMALL)」與「多人入鏡 (MULTIPLE_FACES)」並給予即時 UI 提示。
模組化關注點分離設計 (Separation of Concerns)： 採用嚴謹的物件導向 (OOP) 架構，將核心引擎 (Core Engine)、圖形介面 (GUI) 與資料庫操作 (DB CRUD) 徹底解耦，大幅提升可維護性。
4. 系統架構與技術棧 (System Architecture & Tech Stack)
本系統採 Desktop/Web 雙平台架構，兼顧現場終端機效能與跨網段查詢便利性：
核心 AI 演算法：
特徵提取：
InsightFace (ArcFace)(512 維向量矩陣比對)活體防偽：
Silent-Face (MiniFASNet)臉部追蹤：
Google MediaPipe
軟體工程與高併發架構：
多執行緒控制：
Producer-Consumer Pattern,PySide6 QThread資料庫併發優化：
SQLite (Write-Ahead Logging Mode)模型加速部署：
ONNX Runtime
前端介面與資料管理：
打卡終端與管理後台：
PySide6員工自助查詢入口：
Streamlit(建構區域網 Web Portal)
5. 企業商用落地設計 (Business-Ready Implementation)
EvoFace 不僅是技術展示，底層更內建了完整的企業商業邏輯：
免現場拍照的無痛建檔 (Frictionless Onboarding)： 憑藉 InsightFace 強大的泛化能力，系統能精準比對員工的 2D 靜態證件照與現場 3D 動態人臉，替企業省去巨額的初期建檔行政成本。
三班制與跨日考勤引擎： 原生支援早班、晚班、大夜班邏輯，完美解決製造業常見「16:00 上班、隔日 01:00 下班」的跨日打卡判定難題。
賦能人資自動化： 管理後台支援考勤紀錄一鍵匯出為 Excel，無痛銜接企業薪資軟體；Web 端則開放員工自助查詢，大幅降低人資日常行政負擔。
6. 結語與未來展望 (Conclusion & Roadmap)
商用完整度與架構效能驗證 (Commercial Viability & Architecture Validation)：
本專案跳脫了單純的「模型 API 呼叫」框架，成功建構出涵蓋邊緣辨識、活體防偽、到 Web 查詢後台的完整考勤生態系。在架構效能上，透過 QThread 非同步處理與 SQLite WAL 讀寫分離，搭配 ONNX 模型輕量化，EvoFace 成功證明了「高精度 AI 不必然依賴高昂硬體」。在一般商用 CPU 環境下，系統不僅實現了毫秒級的連續流暢辨識，徹底消除 UI 卡頓，更完美融合了跨日排班與密碼備援等真實企業邏輯。這充分驗證了 EvoFace 是一套兼具「底層效能深度」與「商用落地廣度」的高穩定即戰力產品。
未來迭代方向 (Roadmap)：
雲端原生與容器化： 預計將管理後台與 Web 服務導入 Docker 容器封裝，並結合 GitLab CI/CD 實現自動化部署。
分散式資料架構： 計畫支援 PostgreSQL 雲端資料庫串接，以滿足跨廠區、多網點的集團式集中考勤管理需求。
7. 實機操作影片展示 (Demo)
🔗 專案資源與聯絡資訊 (Project Links & Contact)
💻 GitHub 開源原始碼： https://github.com/chenkuanchung/evoface-attendance
💼 個人網頁： https://chenkuanchung.github.io/