企业官网建设流程全解析

本地部署 InsightFace：3行代码跑通人脸检测与识别

【免费下载链接】insightfaceState-of-the-art 2D and 3D Face Analysis Project项目地址: https://gitcode.com/GitHub_Trending/in/insightface

想让两张照片做身份比对、又想让一批图片自动框出人脸，同时数据不出本机？InsightFace 可以做到：装好 Python 库后，本地人脸检测、人脸识别、关键点对齐和属性分析全部在 CPU 上跑通，预训练模型包自动下载，无需训练、无需准备数据。

能力全景：一次调用串起检测、识别、对齐、属性

InsightFace 的完整链路可以拆成四级：检测（SCRFD 单阶段检测器）先找出图中所有人脸的边界框与置信度；识别（ArcFace 系列）把每张对齐后的人脸裁剪图变成 512 维 embedding（可理解为这张脸的“数字指纹”）；对齐模块输出 5 点、106 点与 3D 68 点关键点，供裁剪、3D 重建使用；属性模块给出性别与年龄。这四个模型不用你手动串联，一个FaceAnalysis对象一次调用全部完成，一张图进去，出来的就是结构化的人脸对象列表，直接供下游做比对、聚类、打码或重建。

下图是仓库自带的示例图，6 个人，正好可以验证多人脸批量检测：

CPU 环境 3 步安装并跑通首次人脸分析

环境要求只有 Python 3.x。0.2 版本起的 Python 库改用 onnxruntime 作推理后端：只用 CPU 就装onnxruntime；要 GPU 需自行安装onnxruntime-gpu。仓库里的训练模块基于 PyTorch 1.6+ / MXNet 1.6~1.8，纯推理时完全不涉及。

git clone https://gitcode.com/GitHub_Trending/in/insightface # 可选：浏览示例与训练代码 pip install onnxruntime # CPU 后端；GPU 请改装 onnxruntime-gpu pip install -U insightface

接着跑最小脚本，示例图用仓库自带的那张六人群像：

import cv2 from insightface.app import FaceAnalysis app = FaceAnalysis(name='buffalo_l'); app.prepare(ctx_id=-1) # -1 用 CPU faces = app.get(cv2.imread('python-package/insightface/data/images/t1.jpg'))

首次运行的预期：初始化时会自动把约 326MB 的 buffalo_l 模型包下载到~/.insightface/models/，网络慢的话首次会多等一阵。返回的faces是 Face 对象列表，每个对象含边界框、关键点、性别年龄和用于比对的 512 维embedding。CPU/GPU 切换只改一处：ctx_id=-1走 CPU，ctx_id=0走 GPU（并传providers=['CUDAExecutionProvider']）。

核心机制拆解：一张图如何变成结构化人脸数据

人脸检测：边界框与 5 点关键点从哪来

输入是一张 BGR 图像，输出是若干边界框加置信度，以及每张脸 5 点关键点（用于眼睛、嘴部定位）。默认检测器是 SCRFD——ICLR 2022 的单阶段检测器，靠“样本与计算再分配”的思路在精度与 FLOPs 之间做权衡，提供 0.5GF 到 34GF 共五档规格。可调的关键参数是检测输入尺寸：v1.0 起prepare()默认走 Auto 模式，用 128×128 与 640×640 两档各跑一遍再统一 NMS 合并，专门防小脸漏检 💡 只追求速度时再固定 input_size，省一次推理。

人脸识别：512 维 embedding 是什么、怎么比

输入是一张单人的人脸裁剪图（库内会依据关键点自动对齐），输出 512 维向量：同一人跨照片距离近，不同人距离远，两个向量的余弦相似度就是身份相似度。1:1 比对只需点积归一化后与阈值比较，仓库示例 examples/face_recognition/insightface_app.py 用的默认值是 0.65：

import numpy as np sim = np.dot(emb1, emb2) / (np.linalg.norm(emb1) * np.linalg.norm(emb2))

下图是一张典型 1:1 比对输入：单人、正脸、像素充足，检出后直接取face.embedding即可参与计算。

关键点对齐与属性：106 点、3D 68 点、性别年龄

对齐模型走坐标回归路线：输入宽松裁剪的人脸，直接输出 106 个 2D 点与 68 个 3D 点，可喂给裁剪、3D 重建或表情分析管线。属性模型（MobileNet-0.25，仅 0.3M 参数）输出性别与年龄，包含在每个 buffalo 模型包里。如果你只要检测和识别，可以用allowed_modules关掉对齐与属性，或直接换 16MB 的 buffalo_sc 跳过这两类模型。

模型包怎么选：精度与速度分档看数据

检测侧是官方 WIDERFace 基准（VGA 分辨率、单尺度测试），出处见 detection/scrfd/README.md 与 model_zoo/README.md：

CPU 上更有参考意义的是官方给出的单线程数据：SCRFD-0.5GF 在 x86 单核跑 640×480 输入约 28.3ms，降到 320×240 只要 11.4ms，端侧设备实时跑是可行的。

识别侧按模型包分档，出处见 python-package/README.md：

buffalo_sc 的识别精度与 buffalo_s 相同，只是不带对齐和属性模型；buffalo_m 体积居中、精度与 buffalo_l 持平。

决策可以分三档：做 Demo 或内部工具直接用默认buffalo_l，精度和下载体积平衡最好；端侧或低配设备选buffalo_s，不要对齐和属性就buffalo_sc；追求更高识别上限，可把包内 ONNX 换成 SCRFD-2.5GF/34GF 检测或 ResNet100 识别模型，清单在 model_zoo/README.md。

上线前必须确认的 5 个点

1. 后端别装错。onnxruntime只含 CPU 推理，想用 CUDA 必须安装onnxruntime-gpu，并在FaceAnalysis里传providers=['CUDAExecutionProvider']，否则白有显卡。
2. 别把 0.65 当绝对阈值。它只是示例默认值：调低会增加误认，调高会增加漏认，请用业务里的真实坏例来回调。
3. 多人脸图要显式选人。一图多人时必须自己决定比对哪张脸，示例默认取第一张检出结果，实际业务里很容易拿错对象。
4. 小脸漏检看检测尺寸配置。默认 Auto 双尺度检测最稳；若改了固定 input_size 换速度，先单独评估小脸召回。
5. 注意 License 边界。代码是 MIT 协议、商用不受限，但预训练模型（buffalo 系列等）仅限非商业研究，商用需另行获取授权，详见 README.md。

仓库里值得深入的目录

• detection/scrfd/：SCRFD 完整训练管线、NAS 架构搜索与 WIDERFace 评测脚本
• recognition/：ArcFace 的 PyTorch/MXNet/PaddlePaddle/OneFlow 多实现，以及 Partial FC
• examples/in_swapper/：单行人脸交换示例，基于同一套检测与对齐管线
• server/README.md：容器化 Web UI + REST API 的自建人脸搜索服务
• reconstruction/：单目 3D 人脸重建、视线估计等进阶方向
• python-package/README.md：调用自定义 ONNX 模型、手动下载模型包的完整说明

下一步可以做什么

本地比对 Demo 跑通后，自然的延伸是把脚本扩成服务：仓库内置的 InsightFace Server 提供容器化 Web UI 与 snake_case REST API，单机 CPU 或 GPU 即可运行检测、1:1/1:N 比对与人员检索，可以顺着 server/ 目录继续看。

【免费下载链接】insightfaceState-of-the-art 2D and 3D Face Analysis Project项目地址: https://gitcode.com/GitHub_Trending/in/insightface