As traduções são geradas por tradução automática. Em caso de conflito entre o conteúdo da tradução e da versão original em inglês, a versão em inglês prevalecerá. # Visão geral da detecção facial e comparação de faces O Amazon Rekognition fornece aos usuários acesso a dois aplicativos principais de machine learning para imagens contendo rostos: detecção facial e comparação facial. Eles potencializam atributos cruciais, como análise facial e verificação de identidade, tornando-os vitais para vários aplicativos, desde segurança até organização de fotos pessoais. **Detecção facial** Um sistema de detecção facial responde à pergunta: “Há uma face nesta foto?” Os principais aspectos da detecção facial incluem: + **Localização e orientação**: determina a presença, a localização, a escala e a orientação das faces em imagens ou quadros de vídeo. + **Atributos faciais**: detecta rostos independentemente de atributos como sexo, idade ou pelos faciais. + **Informações adicionais**: dão detalhes sobre oclusão facial e direção do olhar. **Comparação facial** Um sistema de comparação facial foca a pergunta: “A face em uma imagem corresponde a uma face em outra imagem?” As funcionalidades do sistema de comparação facial incluem: + **Previsões de correspondência facial**: compara um rosto em uma imagem com um rosto em um banco de dados fornecido para prever correspondências. + **Manipulação de atributos faciais**: manipula atributos para comparar faces, independentemente da expressão, dos pelos faciais e da idade. **Pontuações de confiança e detecções não realizadas** Os sistemas de detecção e comparação facial utilizam pontuações de confiança. Uma pontuação de confiança indica a probabilidade de previsões, como a presença de uma face ou uma correspondência entre faces. Pontuações mais altas indicam maior probabilidade. Por exemplo, 90% de confiança sugere uma probabilidade maior de detecção ou correspondência correta do que 60%. Se um sistema de detecção facial não detectar adequadamente um rosto ou fornecer uma previsão de baixa confiança para um rosto real, isso é um detection/false negativo perdido. Se o sistema prever incorretamente a presença de um rosto com alto nível de confiança, isso é um falso alarm/false positivo. Da mesma forma, um sistema de comparação facial pode não corresponder a dois rostos que pertencem à mesma pessoa ( detection/false negativo perdido) ou pode prever incorretamente que dois rostos de pessoas diferentes são a mesma pessoa (falso alarm/false positivo). **Design da aplicação e definição de limites** + Você pode definir um limite que especifique o nível mínimo de confiança necessário para retornar um resultado. Escolher os limites de confiança adequados é essencial para o design da aplicação e para a tomada de decisões com base nas saídas do sistema. + Os limites devem refletir seu caso de uso. Alguns exemplos de casos de uso e limites de confiança: + + **Aplicativos de fotos**: um limite mais baixo (por exemplo, 80%) pode ser suficiente para identificar familiares em fotos. + **Cenários de alto risco**: em casos de uso em que o risco de detecção não realizada ou alarme falso é maior, como aplicações de segurança, o sistema deve usar um nível de confiança mais alto. Nesses casos, um limite mais alto (por exemplo, 99%) é recomendado para combinações faciais precisas. Para obter mais informações sobre configuração e entender os limites de confiança, consulte [Pesquisa de faces em uma coleção](collections.md).