InsightFace 人脸检测与识别上手指南：3 步装好，一图 6 张脸全框出，本地比对手把手跑通

InsightFace 人脸检测与识别上手指南3 步装好一图 6 张脸全框出本地比对手把手跑通【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/insightfaceInsightFace 是开源社区做 2D/3D 人脸分析的标杆工具箱人脸检测与人脸识别一次调用出结果顺带把关键点、性别年龄属性一并给到。它最擅长两类活儿——判断两张照片是否同一人数据全程留在本机不上传以及把一张大图里几十上百张脸自动框出、交给下游做裁剪或打码。下文用官方 Python 库几分钟搭出一个本地比对 Demo预训练权重自动下载无需自己训练模型。能力总览检测、识别、对齐、属性一次调用人脸检测SCRFD 系列0.5GF~34GF 多档框出人脸并给 5 点 / 106 点关键点人脸识别ArcFace 系列输出 512 维 embedding对齐与属性106/68 点标定性别、年龄以上能力打包成buffalo_l等模型包调一次FaceAnalysis全流程跑完。安装与首次运行两条命令加七行脚本环境要求Python 3.x 起步仓库里的训练代码对应 PyTorch 1.6 或 MXNet 1.6~1.8。Python 库 0.2 之后推理后端换成 onnxruntimeCPU 场景装 onnxruntime 本体即可GPU 需手动装 onnxruntime-gpu。git clone https://gitcode.com/GitHub_Trending/in/insightface pip install -U insightface再跑一段 7 行最小脚本用的是仓库自带示例图 t1.jpgimport cv2 from insightface.app import FaceAnalysis app FaceAnalysis(namebuffalo_l) app.prepare(ctx_id-1) # -1 表示用 CPU img cv2.imread(python-package/insightface/data/images/t1.jpg) faces app.get(img) print(len(faces), faces[0].embedding.shape)第一次运行时库会自动拉取 buffalo_l 全套权重约 326MB缓存在~/.insightface/models/下之后再跑就是本地加载。返回值是一个人脸对象列表每个对象带边界框、5 点或 106 点关键点、性别年龄外加一段 512 维的 embedding——相当于给每张脸发一个脸部身份证号两张照片的号越接近越可能是同一个人。两个最常用的用法批量框脸与 1:1 比对批量框脸并绘制app.get(img)返回图里全部人脸对象继续传给app.draw_on(img, faces)框线、关键点、属性文字即刻画好cv2.imwrite存盘即可。示例图 t1.jpg 里正好 6 张脸仓库里的 inswapper 交换 Demo 也拿它当输入直接断言len(faces)6。1:1 同一人比对两张图各取face.embedding算一次余弦相似度和阈值比大小即可定夺。仓库示例 examples/face_recognition/insightface_app.py 里默认阈值0.65取低了容易误认、取高了容易漏认请按自己的业务场景回测。一图多人时记得自己挑要比的那张脸示例代码取的是第一张检出的人脸。官方性能基准数据SCRFD 检测指标与识别得分下表是仓库公布的 SCRFD 各档检测数据mAP 均在 640×480 的 VGA 档单尺度下测得检测模型Easy (mAP)Medium (mAP)Hard (mAP)参数量 (M)推理耗时 (ms)SCRFD-0.5GF90.5788.1268.510.573.6SCRFD-2.5GF93.7892.1677.870.674.2SCRFD-10GF95.1693.8783.053.864.9SCRFD-34GF96.0694.9285.299.8011.7识别侧默认包buffalo_l配 SCRFD-10GF 检测 ResNet50WebFace600K 识别在 MR-ALL 拿 91.25LFW 99.83IJB-CE497.25轻量包buffalo_sSCRFD-500MF MobileFaceNetMR-ALL 只有 71.87留给算力吃紧的设备。数据出处detection/scrfd/README.md 与 model_zoo/README.md。 模型包怎么选buffalo_l / buffalo_s / buffalo_sc场景推荐模型包说明精度优先默认buffalo_l326MB检测识别对齐属性全开端侧 / 低配设备buffalo_s159MB识别走 MobileFaceNet只要检测 识别buffalo_sc16MB 最小无对齐与属性开工前必看的 4 件事小脸怕漏检prepare()默认按 128×128、640×640 双档输入分别检测再统一走 NMS 合并去重只有极致追速度时才把 input_size 写死。GPU 别装错后端onnxruntime 本体只带 CPU 推理要跑 CUDA需另装 onnxruntime-gpu并给FaceAnalysis的 providers 参数填CUDAExecutionProvider。阈值不是万能的0.65只是示例默认值建议拿业务里的真实坏例反复回测再定。License 边界心里有数代码走 MIT 协议但 buffalo 系列预训练权重仅限非商业研究商用必须另行授权README.md 中交代得很清楚。进阶入口从训练代码到自建人脸搜索服务python-package/README.mdPython 库安装细节、模型包清单与自定义 ONNX 调用方式。examples/face_recognition/insightface_app.py1:1 比对完整样例含阈值处理与多人图兜底逻辑。detection/scrfd/SCRFD 训练与 WIDERFace 评测代码。recognition/ArcFace 的 PyTorch / MXNet / Paddle 多套实现与 Partial FC。examples/in_swapper/inswapper 人脸交换入口。reconstruction/3D 人脸重建、视线估计等进阶方向。model_zoo/README.md全部模型包与识别指标总表。server/README.md容器化 Web UI REST API 的自建人脸搜索服务。从装包、调一次 FaceAnalysis 到读 embedding检测、识别、对齐、属性这条链路一个 pip 包就装齐了。下一步不妨沿 SCRFD 训练代码或 3D 重建模块继续深挖它会跟着你的项目一起长大 ✨【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创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考