Ошибка получения эмбеддингов из ROI с использованием Deepface Deepface.represent

У меня проблема с Deepface, который не может получить эмбеддинги из обрезанного ROI, определенного Retinaface.

Я пытаюсь изучить распознавание объектов с помощью моего набора данных (изображений) нескольких знаменитостей для начала и, возможно, думаю использовать это для своей личной фотоколлекции. Я попробовал метод каскадов Хаара для обнаружения лиц и LBPHFaceRecognize из OpenCV для распознавания лиц, что сработало хорошо. Затем я захотел попробовать Retinaface для обнаружения лиц и получения ROI. ROI сохраняется в списке, и я использую Deepface для получения эмбеддингов из выбранного ROI и сохранения в другом списке. Я пытаюсь сохранить эмбеддинги в списке, но продолжаю получать
raise ValueError(
ValueError: Лицо не было обнаружено в numpy массиве. Пожалуйста, убедитесь, что изображение является фотографией лица или подумайте о том, чтобы установить параметр enforce_detection в False.

Хотя на всех изображениях есть лицо, которое явно обнаруживается. Вот мой код для справки:

import os
import cv2 as cv
from retinaface import RetinaFace
from deepface import DeepFace
import numpy as np
from sklearn.svm import SVC
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score

artist =  ['50cent']   # type: ignore #MJ the GOAT!! , 'Kanye', 'Eminem', 'MichaelJackson'
ROOT_DIR = 'asset/Face_Recon_Dataset'     #Путь к набору данных изображений
faces_roi =[]
labels = []
embeddings = []
# теперь нарисуем прямоугольник на координатах лица
# Фактический диапазон лица имеет:
# x1, y1) = (28, 51)  # верхний левый угол
# (x2, y2) = (61, 98)  # нижний правый угол
""" Это определяет прямоугольную ограничивающую рамку вокруг обнаруженного лица.
- x1 (28): левая граница лица
- y1 (51): верхняя граница лица
- x2 (61): правая граница лица
- y2 (98): нижняя граница лица """

def get_roi():
    for artist_name in artist:
        # получение индекса имени художника
        label = artist.index(artist_name)
        image_folder = os.path.join(ROOT_DIR, artist_name)    # получение фактической папки, в которой находятся изображения
        for artist_images in os.listdir(image_folder):       # перечисление всех изображений внутри этого каталога
            image = os.path.join(image_folder, artist_images)
            resp = RetinaFace.detect_faces(image)
            # убедимся, что лицо существует
            if isinstance(resp, dict):
                img = cv.imread(image)
                for face_id, face_data in resp.items():
                    # print(face_id)
                    # print("x1: ", face_data['facial_area'][0])
                    # print("y1: ", face_data['facial_area'][1])
                    # print("x2: ", face_data['facial_area'][2])
                    # print("y2: ", face_data['facial_area'][3], "\n")
                    # Чтение изображения
                    
                    # обнаружение лиц
                    x1 = face_data['facial_area'][0]
                    y1 = face_data['facial_area'][1]
                    x2 = face_data['facial_area'][2]
                    y2 = face_data['facial_area'][3]
                        
                    # Рисование ограничивающей рамки для лица 
                    # faces_rect = cv.rectangle(img, (x1, y1), (x2, y2), (0, 255, 0), 2)
                    face_roi = img[y1:y2, x1:x2]

                    # маркировка обрезанных лиц ROI с его именем
                    faces_roi.append(face_roi)

                    labels.append(label)
    print(len(faces_roi))
    print(len(labels))
    print("Изображения метят и индексируются")
    print("Инициализация процесса получения эмбеддингов.....")
    get_embeddings()

def get_embeddings():
    """ Используем deepface для извлечения эмбеддингов из каждого лицевого ROI """
    print("Начало получения эмбеддингов: 🚀🚀 ")
    for roi in faces_roi:
        face_roi_resized = cv.resize(roi, (160, 160))  # Изменение размера лицевого ROI до 160x160 пикселей
        embedding = DeepFace.represent(face_roi_resized, model_name="Facenet")
        print(embedding)
        embeddings.append(embedding)
    print("Векторы сохранены в списке..")


get_roi()

# Время тестировать и обучать эту модель с использованием SVM классификатора
# маркировка эмбеддингов и индексирование в массив numpy
X = np.array(embeddings)  # признаковая часть
y = np.array(labels)      # метка

# Разделите данные на обучающие и тестовые наборы
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# Обучение классификатора SVM
svm_model = SVC(kernel="linear")  # Линейное ядро - хороший стандарт для эмбеддингов
svm_model.fit(X_train, y_train)

# Оценка модели
y_pred = svm_model.predict(X_test)
accuracy = accuracy_score(y_test, y_pred)
print(f"Точность модели SVM: {accuracy * 100:.2f}%")

Может ли кто-нибудь помочь мне понять, почему эта ошибка так настойчива, даже если существует обрезанный ROI и какой лучший способ справиться с этой ошибкой??