Amazon Rekognition 效果實在太驚人! 完全達到我們要的目標
除了一開始因為介面不熟悉找不到key ,但依照第一個參考資料也成功取得後,後面幾乎沒有調適,只要一張圖片就能成功辨識,也不用訓練,更不用申請,終於找到我們專案的最佳解了~~ 
參考資料如下
http://ccllab.cgu.edu.tw:58189/labWebsite/courses/ITM088_2021/AmazonRekognition.pdf
https://aws.amazon.com/tw/rekognition/faqs/
https://docs.aws.amazon.com/zh_tw/rekognition/latest/dg/collections.html
I. 雲端服務轉換與架構調整 (從 Azure 遷移)
| 遇到的難點 (Difficulty) | 解決方式 (Solution) | 來源 |
|---|---|---|
| API 呼叫方式差異 — 原本使用 Azure Face API，需要轉換至 AWS Rekognition，兩者在 SDK 語法、回傳格式上完全不同。 | 使用 AWS SDK（boto3）重寫呼叫，並重新映射回傳格式（例如將 Azure 的 faceRectangle 對應至 AWS 的 BoundingBox）。 |
|
資料庫結構調整 — Rekognition 採用 Collection 與 faceId 機制，原本僅儲存單一 encoding_json 的 schema 不足。 |
調整 schema，新增 collection_id 與 face_id 欄位，以對應 Rekognition 的人臉集合與唯一編號。 |
|
| 金鑰與權限管理複雜 — 需從 Azure Key Vault 轉到 AWS IAM Policy + Secrets Manager，權限配置易出錯。 | 以 AWS IAM + Secrets Manager 儲存金鑰；採最小權限（Least Privilege），僅允許 Rekognition 與 S3。 | |
| 檔案處理流程與 S3 存取 — 典型流程為 ESP32 → S3 → Rekognition，S3 權限與控制更複雜。 | 流程設計為 ESP32 → S3 bucket → Lambda/EC2 → Rekognition；使用預先簽名 URL（Presigned URL）上傳以避免 S3 公開讀取。 | |
| 合規性與延遲考量 — 身份識別（Identify/Verify）在部分地區有限制；即時辨識需評估延遲。 | 僅需偵測時避免使用「識別/比對」以降低合規風險；選擇鄰近 Region（如東京/新加坡）以降延遲。 |
II. 本地開發與伺服器環境問題 (Flask)
| 遇到的難點 (Difficulty) | 解決方式 (Solution) | 來源 |
|---|---|---|
| 伺服器 Port 佔用 — 啟動 Flask 出現「Address already in use」，先前程式占用 8000。 | 使用 sudo netstat -tulnp | grep 8000 找到 PID，kill -9 <PID> 終止；或改用其他 Port（如 8080）。 |
|
AWS 權限不足 — Rekognition 擲回 AccessDeniedException，IAM 使用者（如 esp32）缺權限。 |
在 IAM 新增最小必要 Policy：rekognition:DescribeCollection、rekognition:IndexFaces、rekognition:SearchFacesByImage。 |
|
缺少 Python 套件 — 啟動時 ModuleNotFoundError: No module named 'numpy'。 |
進入虛擬環境後 pip install numpy，或 pip install -r requirements.txt 安裝所有相依。 |
|
| VM 對外 IP 查詢 — 不確定如何得知部署機器的外部 IP。 | VM 內執行 curl ifconfig.me 或於雲端主控台查看「外部 IP」；同時確認防火牆已開放指定埠（如 8000）。 |
III. 應用程式功能與效能監控
| 遇到的難點 (Difficulty) | 解決方式 (Solution) | 來源 |
|---|---|---|
| 網頁即時顯示需求 — 無法即時顯示 ESP32 上傳的最新照片與識別結果。 | 前端以輪詢（Polling）呼叫 /latest_upload，每 2 秒更新影像與結果。 |
|
| 辨識流程延遲疑慮 — 擔心即時顯示拖慢後端流程。 | 輪詢僅增加約 1–2 秒前端延遲，對後端負載極小。 | |
| 無法監控各步驟耗時 — 需要「上傳、辨識、生成廣告、總耗時」的效能數據。 | 後端以 time.time() 逐步打點並計算耗時，於 JSON 結果返回供前端展示。 |
iThome鐵人賽
看影片追技術