InsightFace 人臉檢測與人臉識別教程本地 1:1 比對如何快速跑通【免費(fèi)下載鏈接】insightfaceState-of-the-art 2D and 3D Face Analysis Project項(xiàng)目地址: https://gitcode.com/GitHub_Trending/in/insightface給 InsightFace 一張圖片它會一次性返回人臉框、5/106 點(diǎn)關(guān)鍵點(diǎn)、性別年齡以及用于身份比對的 embedding 向量可理解為這張臉的“數(shù)字指紋”。它是 pip 可安裝的人臉分析庫不用訓(xùn)練首次運(yùn)行自動下載預(yù)訓(xùn)練模型包約 326MB幾行代碼就能完成本地人臉比對。適合照片身份核驗(yàn)、批量人臉檢測這類需要數(shù)據(jù)留在自己機(jī)器上的場景。它解決什么問題身份核驗(yàn)與批量人臉檢測的 3 個痛點(diǎn)照片里兩個人是不是同一人但不想把圖片上傳到云端 API。InsightFace 全程本地推理比對就是兩個 embedding 向量的點(diǎn)積運(yùn)算圖片不出你的機(jī)器。一張圖里十幾張臉要逐一框出來供裁剪、打碼或重建。一次app.get()調(diào)用返回全部人臉的框和關(guān)鍵點(diǎn)。倉庫示例圖 t1.jpg 里有 6 張臉人臉交換示例直接用assert len(faces)6來驗(yàn)證檢出數(shù)量見 examples/in_swapper/inswapper_main.py。不想自己訓(xùn)模型。檢測SCRFD、識別ArcFace、106 點(diǎn)對齊、性別年齡都被打包成 buffalo_l 等模型包一個FaceAnalysis對象調(diào)完整條鏈路。最短路徑上手 InsightFace安裝命令與最小示例前置條件Python 3.x推理后端是 onnxruntime只用 CPU 裝onnxruntime即可要 GPU 必須手動裝onnxruntime-gpu見 python-package/README.md。pip install -U insightface然后用倉庫自帶的示例圖跑最小腳本import cv2 from insightface.app import FaceAnalysis app FaceAnalysis(namebuffalo_l); app.prepare(ctx_id-1) # -1 為 CPU faces app.get(cv2.imread(python-package/insightface/data/images/t1.jpg))首次運(yùn)行會自動把默認(rèn)的 buffalo_l 模型包326MB唯一支持自動下載的包下載到~/.insightface/models/。返回的faces是 Face 對象列表每個對象直接帶bbox人臉框、kps5 點(diǎn)關(guān)鍵點(diǎn)、det_score置信度、gender/age和embedding比對向量再調(diào)app.draw_on(img, faces)就能畫出框和關(guān)鍵點(diǎn)。核心能力拆解檢測、比對、屬性各一次調(diào)用批量人臉檢測一張圖拿到全部人臉框與關(guān)鍵點(diǎn)場景裁剪、打碼、3D 重建之前先定位人臉。調(diào)用app.get(img)。產(chǎn)出每張臉一個 Face 對象。注意 v1.0 起prepare()默認(rèn) Auto 檢測尺寸——分別在 128×128 和 640×640 兩檔跑 SCRFD 再統(tǒng)一 NMS見 python-package/insightface/app/face_analysis.py大小臉都有檢出機(jī)會。本地 1:1 人臉比對用 embedding 算余弦相似度場景身份核驗(yàn)、照片查重。取兩張照片的face.embedding點(diǎn)積并除以各自模長得到相似度分?jǐn)?shù)與閾值比大小即判斷是否同一人。倉庫示例默認(rèn)閾值 0.65并明確提醒按你的業(yè)務(wù)自行調(diào)整一圖多人時要自己選定比哪張臉示例取第一張檢出的見 examples/face_recognition/insightface_app.py。屬性與關(guān)鍵點(diǎn)性別、年齡、106 點(diǎn)隨包附帶場景展示“男28 歲”或給下游對齊用高精度關(guān)鍵點(diǎn)。無需額外代碼Face 對象上直接有字段。默認(rèn) buffalo_l 含 2d106 和 3d68 關(guān)鍵點(diǎn)模型加 GenderAge 模型見 model_zoo/README.md。人臉交換單行調(diào)用進(jìn)階場景把圖里所有臉換成目標(biāo)人身份。加載inswapper_128.onnx后對每張臉調(diào)swapper.get()輸入輸出分辨率 128×128。注意身份 embedding 必須來自 buffalo_l 的 ArcFace否則結(jié)果不正常該示例已不再維護(hù)作者指向官方商業(yè)產(chǎn)品見 examples/in_swapper/README.md。關(guān)鍵指標(biāo)一覽檢測精度與推理耗時SCRFD 型號EasyMediumHard參數(shù)量(M)推理(ms)SCRFD-0.5GF90.5788.1268.510.573.6SCRFD-2.5GF93.7892.1677.870.674.2SCRFD-10GF95.1693.8783.053.864.9SCRFD-34GF96.0694.9285.299.8011.7mAP 為 VGA640×480分辨率單尺度測試數(shù)據(jù)來源 detection/scrfd/README.md。模型包檢測模型識別模型體積MR-ALLLFWIJB-C(E4)buffalo_l默認(rèn)SCRFD-10GFResNet50WebFace600K326MB91.2599.8397.25buffalo_sSCRFD-500MFMBFWebFace600K159MB71.8799.7095.02識別精度數(shù)據(jù)來源 python-package/README.md 與 model_zoo/README.md。選型與排錯模型包、閾值與 Licensebuffalo_l、buffalo_s、buffalo_sc 怎么選追求精度用默認(rèn) buffalo_l326MB端側(cè)或低配機(jī)器用 buffalo_s159MB只要檢測和識別、不要對齊和屬性16MB 的 buffalo_sc 最省。注意只有 buffalo_l 支持庫自動下載其余包要手動下 zip 并解壓到~/.insightface/models/。小臉容易漏檢怎么辦先別換模型默認(rèn) Auto 模式已經(jīng)用 128×128 和 640×640 雙尺寸加統(tǒng)一 NMS。只有追求速度時才顯式傳det_size改成固定尺寸代價是小臉召回下降。GPU 推理怎么開onnxruntime只含 CPU 后端。要用 CUDA 需自行pip install onnxruntime-gpu并給FaceAnalysis傳providers[CUDAExecutionProvider]、ctx_id由 -1 改為 0。比對閾值設(shè)多少合適0.65 只是示例默認(rèn)值調(diào)低會增加誤認(rèn)調(diào)高會增加漏認(rèn)建議用業(yè)務(wù)里的真實(shí)壞例來回調(diào)。桌面 GUI 做相冊聚類時用的是另一套默認(rèn)值DBSCAN 余弦相似度閾值 0.48見 python-package/README.md。License 邊界在哪代碼是 MIT 協(xié)議學(xué)術(shù)與商用均不受限。但全部預(yù)訓(xùn)練模型buffalo 系列、inswapper 等僅限非商業(yè)研究使用——無論手動下載還是 python 庫自動下載都適用此政策商用需另行獲取授權(quán)README.md 里列了三類模型的授權(quán)聯(lián)系郵箱。繼續(xù)深入文檔、源碼與進(jìn)階方向官方文檔python-package/README.md安裝、模型包列表、調(diào)用自定義 ONNX 模型的方法。model_zoo/README.md檢測/識別/對齊/屬性全部預(yù)訓(xùn)練模型清單與精度。server/README.md容器化自建人臉?biāo)阉鞣?wù)Web UI 29 個 REST 接口單張 RTX 5090 支撐 50M 圖片檢索。源碼模塊detection/scrfd/SCRFD 訓(xùn)練代碼與 WIDERFace 數(shù)據(jù)準(zhǔn)備、評測腳本。recognition/ArcFace 的 PyTorch/MXNet/Paddle 多實(shí)現(xiàn)與 Partial FC。examples/檢測、識別、人臉交換的最小可運(yùn)行示例。進(jìn)階方向reconstruction/3D 人臉重建、視線估計、紋理補(bǔ)全。alignment/106 點(diǎn)關(guān)鍵點(diǎn)的訓(xùn)練與推理管線。python-package/insightface/gui/1.0 版桌面 GUI 源碼pip install insightface[gui]后可用insightface-gui啟動支持本地比對、相冊聚類、評測報告。跑通路徑很短裝庫、app.get出一張圖、比 embedding。下一步建議如果你有“人臉庫”式的 1:N 檢索需求直接看 server/ 的自建方案想提升檢測精度則從 detection/scrfd/ 的訓(xùn)練代碼入手?！久赓M(fèi)下載鏈接】insightfaceState-of-the-art 2D and 3D Face Analysis Project項(xiàng)目地址: https://gitcode.com/GitHub_Trending/in/insightface創(chuàng)作聲明：本文部分內(nèi)容由AI輔助生成（AIGC），僅供參考 InsightFace 人臉檢測與人臉識別教程：本地 1:1 比對如何快速跑通
InsightFace 人臉檢測與人臉識別教程本地 1:1 比對如何快速跑通【免費(fèi)下載鏈接】insightfaceState-of-the-art 2D and 3D Face Analysis Project項(xiàng)目地址: https://gitcode.com/GitHub_Trending/in/insightface給 InsightFace 一張圖片它會一次性返回人臉框、5/106 點(diǎn)關(guān)鍵點(diǎn)、性別年齡以及用于身份比對的 embedding 向量可理解為這張臉的“數(shù)字指紋”。它是 pip 可安裝的人臉分析庫不用訓(xùn)練首次運(yùn)行自動下載預(yù)訓(xùn)練模型包約 326MB幾行代碼就能完成本地人臉比對。適合照片身份核驗(yàn)、批量人臉檢測這類需要數(shù)據(jù)留在自己機(jī)器上的場景。它解決什么問題身份核驗(yàn)與批量人臉檢測的 3 個痛點(diǎn)照片里兩個人是不是同一人但不想把圖片上傳到云端 API。InsightFace 全程本地推理比對就是兩個 embedding 向量的點(diǎn)積運(yùn)算圖片不出你的機(jī)器。一張圖里十幾張臉要逐一框出來供裁剪、打碼或重建。一次app.get()調(diào)用返回全部人臉的框和關(guān)鍵點(diǎn)。倉庫示例圖 t1.jpg 里有 6 張臉人臉交換示例直接用assert len(faces)6來驗(yàn)證檢出數(shù)量見 examples/in_swapper/inswapper_main.py。不想自己訓(xùn)模型。檢測SCRFD、識別ArcFace、106 點(diǎn)對齊、性別年齡都被打包成 buffalo_l 等模型包一個FaceAnalysis對象調(diào)完整條鏈路。最短路徑上手 InsightFace安裝命令與最小示例前置條件Python 3.x推理后端是 onnxruntime只用 CPU 裝onnxruntime即可要 GPU 必須手動裝onnxruntime-gpu見 python-package/README.md。pip install -U insightface然后用倉庫自帶的示例圖跑最小腳本import cv2 from insightface.app import FaceAnalysis app FaceAnalysis(namebuffalo_l); app.prepare(ctx_id-1) # -1 為 CPU faces app.get(cv2.imread(python-package/insightface/data/images/t1.jpg))首次運(yùn)行會自動把默認(rèn)的 buffalo_l 模型包326MB唯一支持自動下載的包下載到~/.insightface/models/。返回的faces是 Face 對象列表每個對象直接帶bbox人臉框、kps5 點(diǎn)關(guān)鍵點(diǎn)、det_score置信度、gender/age和embedding比對向量再調(diào)app.draw_on(img, faces)就能畫出框和關(guān)鍵點(diǎn)。核心能力拆解檢測、比對、屬性各一次調(diào)用批量人臉檢測一張圖拿到全部人臉框與關(guān)鍵點(diǎn)場景裁剪、打碼、3D 重建之前先定位人臉。調(diào)用app.get(img)。產(chǎn)出每張臉一個 Face 對象。注意 v1.0 起prepare()默認(rèn) Auto 檢測尺寸——分別在 128×128 和 640×640 兩檔跑 SCRFD 再統(tǒng)一 NMS見 python-package/insightface/app/face_analysis.py大小臉都有檢出機(jī)會。本地 1:1 人臉比對用 embedding 算余弦相似度場景身份核驗(yàn)、照片查重。取兩張照片的face.embedding點(diǎn)積并除以各自模長得到相似度分?jǐn)?shù)與閾值比大小即判斷是否同一人。倉庫示例默認(rèn)閾值 0.65并明確提醒按你的業(yè)務(wù)自行調(diào)整一圖多人時要自己選定比哪張臉示例取第一張檢出的見 examples/face_recognition/insightface_app.py。屬性與關(guān)鍵點(diǎn)性別、年齡、106 點(diǎn)隨包附帶場景展示“男28 歲”或給下游對齊用高精度關(guān)鍵點(diǎn)。無需額外代碼Face 對象上直接有字段。默認(rèn) buffalo_l 含 2d106 和 3d68 關(guān)鍵點(diǎn)模型加 GenderAge 模型見 model_zoo/README.md。人臉交換單行調(diào)用進(jìn)階場景把圖里所有臉換成目標(biāo)人身份。加載inswapper_128.onnx后對每張臉調(diào)swapper.get()輸入輸出分辨率 128×128。注意身份 embedding 必須來自 buffalo_l 的 ArcFace否則結(jié)果不正常該示例已不再維護(hù)作者指向官方商業(yè)產(chǎn)品見 examples/in_swapper/README.md。關(guān)鍵指標(biāo)一覽檢測精度與推理耗時SCRFD 型號EasyMediumHard參數(shù)量(M)推理(ms)SCRFD-0.5GF90.5788.1268.510.573.6SCRFD-2.5GF93.7892.1677.870.674.2SCRFD-10GF95.1693.8783.053.864.9SCRFD-34GF96.0694.9285.299.8011.7mAP 為 VGA640×480分辨率單尺度測試數(shù)據(jù)來源 detection/scrfd/README.md。模型包檢測模型識別模型體積MR-ALLLFWIJB-C(E4)buffalo_l默認(rèn)SCRFD-10GFResNet50WebFace600K326MB91.2599.8397.25buffalo_sSCRFD-500MFMBFWebFace600K159MB71.8799.7095.02識別精度數(shù)據(jù)來源 python-package/README.md 與 model_zoo/README.md。選型與排錯模型包、閾值與 Licensebuffalo_l、buffalo_s、buffalo_sc 怎么選追求精度用默認(rèn) buffalo_l326MB端側(cè)或低配機(jī)器用 buffalo_s159MB只要檢測和識別、不要對齊和屬性16MB 的 buffalo_sc 最省。注意只有 buffalo_l 支持庫自動下載其余包要手動下 zip 并解壓到~/.insightface/models/。小臉容易漏檢怎么辦先別換模型默認(rèn) Auto 模式已經(jīng)用 128×128 和 640×640 雙尺寸加統(tǒng)一 NMS。只有追求速度時才顯式傳det_size改成固定尺寸代價是小臉召回下降。GPU 推理怎么開onnxruntime只含 CPU 后端。要用 CUDA 需自行pip install onnxruntime-gpu并給FaceAnalysis傳providers[CUDAExecutionProvider]、ctx_id由 -1 改為 0。比對閾值設(shè)多少合適0.65 只是示例默認(rèn)值調(diào)低會增加誤認(rèn)調(diào)高會增加漏認(rèn)建議用業(yè)務(wù)里的真實(shí)壞例來回調(diào)。桌面 GUI 做相冊聚類時用的是另一套默認(rèn)值DBSCAN 余弦相似度閾值 0.48見 python-package/README.md。License 邊界在哪代碼是 MIT 協(xié)議學(xué)術(shù)與商用均不受限。但全部預(yù)訓(xùn)練模型buffalo 系列、inswapper 等僅限非商業(yè)研究使用——無論手動下載還是 python 庫自動下載都適用此政策商用需另行獲取授權(quán)README.md 里列了三類模型的授權(quán)聯(lián)系郵箱。繼續(xù)深入文檔、源碼與進(jìn)階方向官方文檔python-package/README.md安裝、模型包列表、調(diào)用自定義 ONNX 模型的方法。model_zoo/README.md檢測/識別/對齊/屬性全部預(yù)訓(xùn)練模型清單與精度。server/README.md容器化自建人臉?biāo)阉鞣?wù)Web UI 29 個 REST 接口單張 RTX 5090 支撐 50M 圖片檢索。源碼模塊detection/scrfd/SCRFD 訓(xùn)練代碼與 WIDERFace 數(shù)據(jù)準(zhǔn)備、評測腳本。recognition/ArcFace 的 PyTorch/MXNet/Paddle 多實(shí)現(xiàn)與 Partial FC。examples/檢測、識別、人臉交換的最小可運(yùn)行示例。進(jìn)階方向reconstruction/3D 人臉重建、視線估計、紋理補(bǔ)全。alignment/106 點(diǎn)關(guān)鍵點(diǎn)的訓(xùn)練與推理管線。python-package/insightface/gui/1.0 版桌面 GUI 源碼pip install insightface[gui]后可用insightface-gui啟動支持本地比對、相冊聚類、評測報告。跑通路徑很短裝庫、app.get出一張圖、比 embedding。下一步建議如果你有“人臉庫”式的 1:N 檢索需求直接看 server/ 的自建方案想提升檢測精度則從 detection/scrfd/ 的訓(xùn)練代碼入手?！久赓M(fèi)下載鏈接】insightfaceState-of-the-art 2D and 3D Face Analysis Project項(xiàng)目地址: https://gitcode.com/GitHub_Trending/in/insightface創(chuàng)作聲明：本文部分內(nèi)容由AI輔助生成（AIGC），僅供參考