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 RetinaFaceResNet5029.50M 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模型档位EasyMediumHard参数量(M)推理耗时(VGA)SCRFD_500M90.5788.1268.510.573.6msSCRFD_2.5G93.7892.1677.870.674.2msSCRFD_10G95.1693.8783.053.864.9msSCRFD_34G96.0694.9285.299.8011.7ms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.pyimport 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、单线程下的实测输入尺寸单线程耗时640×48028.3ms320×24011.4ms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_num0, det_metricdefault)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NMSnms_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_THREADS1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创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考