SCRFD人脸检测实测从克隆到首次推理【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 的 SCRFD 人脸检测在 VGA640×480单尺度推理下SCRFD-2.5G 以 0.67M 参数、2.53 GFLOPs 取得 WIDERFace Easy 93.78 mAP单帧 4.2 ms面向资源受限的实时人脸定位场景。一句话定位面向实时/嵌入式场景的高精度小模型人脸检测组件单帧 VGA 推理 4.2 ms。基准数据下表汇总 WIDERFace 三档 mAP 与模型开销数据来自 SCRFD README 与 模型库文档推理时间均为 VGA 单尺度、单批量。变体EasyMediumHard参数(M)FLOPs(G)推理(ms)RetinaFace-R5094.9291.9064.1729.5037.5921.7ResNet-2.5GF基线93.2191.1174.471.622.575.4SCRFD-0.5GF90.5788.1268.510.570.513.6SCRFD-2.5GF93.7892.1677.870.672.534.2SCRFD-10GF95.1693.8783.053.869.984.9SCRFD-34GF96.0694.9285.299.8034.1311.7SCRFD-2.5GF 相对同 FLOPs 的 ResNet-2.5GF 基线Easy 0.57、Medium 1.05、Hard 3.40推理 4.2 ms 对 5.4 ms参数 0.67M 对 1.62M。相对 RetinaFace-R50FLOPs 2.53G 对 37.59G降 93.3%参数 0.67M 对 29.50M降 97.7%推理 4.2 ms 对 21.7 msEasy 精度 93.78 对 94.92Hard 77.87 对 64.17。核心机制拆解锚框尺度分布设计单一宽高比与两级尺度scrfd_2.5g.py 中锚框生成器ratios[1.0]、scales[1,2]、base_sizes[16,64,256]、strides[8,16,32]。常规检测器取 3 个 ratioSCRFD 固定 1.0理由是人脸框宽高比集中在 1:1保留 0.5/2.0 极端比例的锚框对人脸几乎无贡献。每个特征位置从 6 锚框降至 2 锚框检测头分类与回归分支的候选数减半。PAFPN 窄通道卷积策略24 通道多尺度融合颈部为 PAFPNin_channels[24,48,48,80]、out_channels24、start_level1、add_extra_convson_output输出 stride 8/16/32 共 3 层。通道压到 24 而非 FPN 常见的 256是因为 stride 8 高分辨率特征图面积最大大通道卷积在此处主导总 FLOPs而人脸检测的类别与回归分支在 24 通道下即可表达。ATSS 动态正样本分配topk9 自适应选样训练分配器为ATSSAssigner、topk9。固定 IoU 阈值在密集小脸区域对正样本漏选敏感ATSS 按锚框中心距离与尺度方差动态选出 topk 个正样本分配随数据分布自适应。配QualityFocalLossbeta2.0与DIoULossweight2.0分别监督质量与框回归。从 2.5GF 到 34GF 的 Easy mAP 由 93.78 升至 96.06说明在更大 FLOPs 预算下分配质量与骨干规模共同决定精度上限。最小可运行路径克隆仓库并安装 Python 包随后用包内置测试图跑一次 SCRFD-2.5G-KPS 检测。git clone https://gitcode.com/GitHub_Trending/in/insightface cd insightface/python-package pip install -e .以下脚本在包内测试图上完成首次推理from insightface.model_zoo.scrfd import scrfd_2p5gkps import cv2 det scrfd_2p5gkps() det.prepare(ctx_id-1) img cv2.imread(insightface/data/images/t1.jpg) bboxes, kpss det.detect(img, 0.5) print(bboxes.shape, None if kpss is None else kpss.shape)输出bboxes形状(N,5)列为 x1/y1/x2/y2/scorekpss为(N,5,2)关键点。ctx_id-1选择 CPUExecutionProvider0切换 GPU。已知边界与取舍下表为文档明示的边界与数值硬件口径见 SCRFD README。维度2.5GF10GF0.5GFHard mAP77.8783.0568.51参数(M)0.673.860.57推理(ms)4.24.93.6训练输入640×640640×640640×640推理输入动态VGA 基准动态动态推理时间为 VGA 单尺度、单批量口径Hard mAP 对输入尺寸敏感原图尺度 82.03、640×480 为 68.51、320×240 无记录。单线程 CPU 延迟320×240 为 11.4 ms、640×480 为 28.3 ms测试环境为 AMD Ryzen 9 3950X、OMP_NUM_THREADS1、无 mkldnn。2.5G→10GEasy 93.78→95.16、Hard 77.87→83.05延迟 4.2→4.9 ms参数 0.67M→3.86M。ONNX 默认支持动态输入--shape 640 640可导出固定形状以做 onnx-simplifier 优化。模型仅用于非商业研究用途。延伸阅读detection/scrfd/configs/scrfd/scrfd_2.5g.py — 锚框/PAFPN/ATSS 完整配置python-package/insightface/model_zoo/scrfd.py — 推理与 anchor 缓存实现examples/face_recognition/insightface_app.py — 端到端识别示例detection/scrfd/tools/scrfd2onnx.py — 动态输入导出脚本【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