企业官网建设流程全解析

InsightFace SCRFD 人脸检测实战：3 个调优点把单帧耗时压到 11ms

【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

假设你要给一路实时视频流加上人脸框，要求每帧稳定检测出人脸并返回坐标，还不能让整条流水线卡住。InsightFace 的 SCRFD 人脸检测器就是为这种"要快、又要准"的场景准备的：它在 0.67M 参数量下做到 WIDERFace Easy 93.78%，VGA 分辨率单帧约 4.2ms。下面从选档位、跑通最小闭环到调优和上线检查，给你一份能直接照着做的交接文档。

先定需求：按硬件与精度选模型档位

这一节帮你回答"到底用哪个 SCRFD 规格"。InsightFace 的检测方法有三种：RetinaFace、SCRFD、blazeface_paddle（见 detection/README.md）。SCRFD 是其中的效率担当，同一精度下参数量比 RetinaFace（ResNet50，29.50M 参数、21.7ms）低一个数量级。SCRFD 又按 FLOPs 分成几档，精度随档位升高，耗时也随档位上升，官方在 VGA 分辨率下的实测数据如下（来自 detection/scrfd/README.md）：

取舍建议：边缘设备、多路并发选 500M 或 2.5G；单路高清晰度、追求 Hard 集召回选 10G；只有极难场景（大遮挡、远距离）才上 34G。带_KPS后缀的档位额外输出 5 个关键点，耗时基本不变，需要人脸对齐时优先选它。

十分钟跑通第一个检测结果

这一节给你一条最短路径：装环境、自动拉模型、几行代码出框。优先"先跑通"，不碰识别、属性等其它模块。

git clone https://gitcode.com/GitHub_Trending/in/insightface cd insightface/python-package && pip install -e .

python-package是 Python 包源码，安装后即可自动从模型库下载默认模型（含 SCRFD 检测器）。核心推理调用如下，参考 examples/demo_analysis.py 的写法，检测类封装在 python-package/insightface/model_zoo/scrfd.py：

import cv2 from insightface.app import FaceAnalysis app = FaceAnalysis(allowed_modules=['detection']) app.prepare(ctx_id=-1, det_size=(640, 640)) faces = app.get(cv2.imread('t1.jpg')) print(faces[0].bbox, faces[0].kps)

allowed_modules=['detection']让它只加载检测器；ctx_id=-1走 CPU（改成 0 用 GPU）。faces[0].bbox是原图尺度下的[x1,y1,x2,y2,score]，kps是 5 个关键点。仓库自带的测试图 t1.jpg 里有 6 张人脸，len(faces)应为 6，可以拿来验证结果是否正确。

三个真正影响耗时的调优点

这一节帮你把跑通的版本再榨出余量，每条给"原理 + 关键配置 + 预期收益"。

1. 下调输入分辨率。前向耗时主要由特征图尺寸决定。detect()内部会把图像 resize 到det_size再推理，改小即可省算力。官方在 AMD Ryzen 9 3950X、SCRFD-0.5GF、单线程下的实测：

即分辨率减半，耗时约降到原来的 1/2.5。人脸本身较小的场景直接选 320×320 或更小，收益最明显。

2. 只加载检测模块。FaceAnalysis默认会把目录下所有 onnx（识别、属性等）都加载并逐帧推理，纯检测场景用不上。用allowed_modules=['detection']过滤掉多余模型，减少初始化时间和每帧无谓的计算。

3. 复用 anchor 中心缓存与动态输入 ONNX。forward()会把各尺度特征图的网格中心点anchor_centers存进self.center_cache（上限 100 组，见 detection/scrfd/tools/scrfd.py 的center_cache逻辑），相同分辨率的连续帧不必重算 mgrid。导出 ONNX 时保留默认动态输入，同一模型即可接受不同尺寸，免去多份固定 shape 的模型。

换档位时只改一处即可：

app.prepare(ctx_id=-1, det_size=(320, 320)) faces = app.get(img, max_num=0, det_metric='default')

上线前检查清单

这一节帮你在部署前逐项确认，避免"本地能跑、线上翻车"。

• 输入尺寸：det_size是否与目标摄像头分辨率匹配，人脸是否会小于可解析的最小尺寸
• 推理后端：ctx_id选 CPU(-1) 还是 GPU(0)，GPU 下确认 provider 生效
• 检测阈值：det_thresh默认 0.5，按误检/漏检权衡调整
• NMS：nms_thresh默认 0.4，重叠人脸多时可适当下调
• 并发与线程：多线程下OMP_NUM_THREADS与业务线程数是否冲突
• 模型完整性：确认 onnx 文件 hash 未被截断损坏
• 日志与监控：单帧耗时、每帧检出人脸数的埋点，便于回归

新手高频翻车点

现象：小脸检测不到，只有大头。原因：det_thresh默认 0.5 偏高，或输入分辨率下小脸已低于一个像素级特征。处理：把det_thresh降到 0.3~0.4 试召回，同时确认det_size足够大，别为了提速把小脸"裁没"。

现象：换了分辨率，框的位置整体偏移或大小不对。原因：detect()内部做了 resize + padding，并除以det_scale还原回原图尺度；如果你手动又缩放了一次，坐标就错位了。处理：直接用detect()返回的坐标，不要再二次缩放；确认归一化用的是 mean/std = 127.5/128。

现象：CPU 实测比预期慢一大截。原因：默认把识别、属性等所有模块都加载并逐帧跑了，或OMP_NUM_THREADS被外部脚本设成 1（官方 CPU 基准就是在OMP_NUM_THREADS=1下测的）。处理：加allowed_modules=['detection']，并按实际核心数配置线程。

继续深入

以上覆盖的是 SCRFD 检测这条主线。想训练自己的模型，看 detection/scrfd/README.md 里的训练与 WIDERFace 评估流程；想把检测接上人脸识别，参考python-package/insightface/model_zoo/arcface_onnx.py与recognition/下的各框架实现。先把检测跑稳，再往上叠加，是接入 InsightFace 最省事的顺序。

【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