企业官网建设流程全解析

InsightFace：5 行代码检出人脸、比对是否同一人

【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

InsightFace 是一个开源的 2D/3D 人脸分析项目，把人脸检测、人脸识别、关键点对齐、属性分析打包成一个可安装的 Python 包，不用自己训练模型就能在本地跑起人脸比对和人脸框提取。

它适合什么活

最常见的用法是身份核验：手上有两张照片，要判断是不是同一个人，数据全程留在自己的机器上，不管是相册整理还是照片查重都用得上。另一类活是批量出人脸框：一张图里几十上百张脸，需要自动把每张脸框出来并附带关键点，供后续裁剪、打码或 3D 重建使用。InsightFace 把高精度的轻量检测器 SCRFD（一种专门做人脸定位的网络）、ArcFace 识别模型、106/68 点关键点标定和性别年龄属性打进 buffalo_l 这类模型包里，调一次FaceAnalysis就能走完检测、对齐、识别、属性的整条链路。

安装：环境要求与两条命令

仓库里的训练模块基于 PyTorch 1.6+ 和 MXNet 1.6~1.8，但只跑 Demo 的话用不到这些。Python 库从 0.2 版本起改用 onnxruntime 做推理后端：只用 CPU 就装onnxruntime，要 GPU 得自己装onnxruntime-gpu。

pip install -U insightface

需要仓库源码（示例图片、脚本）时再克隆一份：

git clone https://gitcode.com/GitHub_Trending/in/insightface

第一次人脸分析怎么跑

仓库自带示例图 t1.jpg（里面有 6 个人），拿来直接验证。首次运行会自动把 buffalo_l 模型包（约 326MB）下载到~/.insightface/models/：

import cv2 from insightface.app import FaceAnalysis app = FaceAnalysis(name='buffalo_l') app.prepare(ctx_id=-1) faces = app.get(cv2.imread('python-package/insightface/data/images/t1.jpg')) print(len(faces), faces[0].bbox, faces[0].embedding.shape)

app.get返回一个 Face 对象列表，每个对象里装着边界框、5/106 点关键点、性别年龄，以及一个 512 维的 embedding——可以把它理解成这张脸的"数字指纹"。把结果再传回app.draw_on(img, faces)就能画出框、关键点和属性文字，cv2.imwrite存盘即可。做 1:1 比对时，分别取两张照片的face.embedding，算余弦相似度再和阈值比较就能判断是否同一人。仓库示例 examples/face_recognition/insightface_app.py 默认阈值取 0.65，并提醒按自己的业务场景调整；一图多人时记得显式选定要比的那张脸（示例取第一张检出的人脸）。

数据与选型：检测器选哪个、模型包选哪个

检测侧用的是 SCRFD，下表是仓库公布的 WIDERFace 精度数据，均在 VGA（640×480）分辨率单尺度测得，出处见 detection/scrfd/README.md：

识别侧，默认的 buffalo_l 配 SCRFD-10GF 检测 + ResNet50@WebFace600K，MR-ALL 得分 91.25、LFW 99.83、IJB-C(E4) 97.25；轻量包 buffalo_s（SCRFD-500MF + MobileFaceNet）MR-ALL 为 71.87，够算力受限的场景用。结论很直接：默认用 buffalo_l；端侧或低配设备换 buffalo_s；只要检测和识别、不要对齐和属性，16MB 的 buffalo_sc 最小，完整清单在 model_zoo/README.md。

使用 InsightFace 的常见问题

问：画面角落的小脸总是漏检？ 答：v1.0 起prepare()默认走 Auto 检测尺寸，先用 128×128 和 640×640 两档分别检测、再统一 NMS 合并，小脸和大脸都能覆盖。只有在追求速度时才改回固定 input_size。

问：装了 onnxruntime，GPU 却不生效？ 答：onnxruntime本身只带 CPU 推理，CUDA 要另装onnxruntime-gpu，并在FaceAnalysis里指定providers=['CUDAExecutionProvider']。

问：比对阈值 0.65 必须照抄吗？ 答：不是，那只是示例默认值。调低会多出误认，调高会多出漏认，稳妥的做法是攒一批业务里的真实坏例来回调。

问：能用于商用吗？ 答：代码是 MIT 协议，不限商用；但附带的预训练模型（buffalo 系列等）仅限非商业研究使用，商用需另行获取授权，README.md 里写得很明确。

问：有没有不想写代码的入口？ 答：1.0.1 起附带本地桌面应用 InsightFace Evaluation Studio，支持 1:1 比对、1:N 检索和相册聚类，数据和报告默认存在本地~/.insightface/gui，不会自动上传，详见 python-package/README.md。

仓库里还能干什么

• 人脸交换示例 inswapper：examples/in_swapper/
• ArcFace 识别训练，PyTorch/MXNet/Paddle 多实现与 Partial FC：recognition/
• SCRFD 检测训练与 WIDERFace 评测：detection/scrfd/
• 容器化的 Web UI + REST API，可直接搭人脸搜索服务：server/README.md

从 buffalo_l 和 embedding 出发，本地的人脸检测与比对就转起来了。之后想往深处走，可以顺着 SCRFD 的训练代码或 3D 重建模块 reconstruction/ 继续拆，InsightFace 基本能跟着你的项目一起长。

【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