如何用 3 步上手 InsightFace从人脸检测到自托管识别服务【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 是开源人脸分析工具箱覆盖人脸检测、人脸识别、人脸对齐与换脸的完整链路附带预训练模型包、分布式训练脚本和自托管识别服务。本文先用最小命令跑通效果再给出三个可直接照做的实战场景。一分钟看懂项目定位 InsightFace 把人脸方向的三段活儿放在同一个仓库里推理侧用 Python 包直接加载预训练 ONNX 模型训练侧提供 ArcFace 官方 PyTorch 实现和 PartialFC 大模型并行方案部署侧则内置一个带 Web 界面和 REST API 的 Docker 服务。它的差异化在于一条龙——别人只给模型权重这里从模型获取、训练代码到容器化服务都能自给自足。核心能力入口位置输入输出检测、对齐、属性python-package/insightface/app/一张图片人脸框、5 点 landmarks、性别年龄1:1 与 1:N 识别examples/face_recognition/、server/两张或多张照片特征向量、余弦相似度、搜索结果人脸换脸examples/in_swapper/源人脸 目标图换脸结果图训练新模型recognition/arcface_torch/.rec 数据集r50/r100 等模型与 ONNX 导出快速上手3 步跑通第一个结果 ⚡准备环境拿到仓库代码先 clone 仓库后续所有示例都基于本地目录运行git clone https://gitcode.com/GitHub_Trending/in/insightface安装依赖一条命令装推理库官方示例要求先安装 insightface 包它从 0.2 版本起以 onnxruntime 为后端GPU 推理需另装 onnxruntime-gpupip install -U insightface运行最小命令跑通内置演示仓库自带的 demo_analysis.py 使用内置多人样本图一次完成检测、对齐、特征提取和相似度计算python examples/demo_analysis.py运行后当前目录会生成 t1_output.jpg图上画出 6 张人脸的检测框终端同时打印 6 人脸的两两相似度矩阵。三个核心能力实战 ️场景一核对两张照片是否同一人你想做身份核验类判断时功能是把两张照片各自压成 512 维特征再算余弦相似度输入是两张单人照输出是相似度分数和是否同一人的结论。示例脚本默认阈值 0.65跑之前把图片路径换成你自己的python examples/face_recognition/insightface_app.py终端打印 Similarity Score 和 Same person? YES/NO 两行直接得到结论。场景二把整张图的人脸批量替换你想做换脸实验时功能是加载 inswapper 模型把目标图里每张脸都换成指定源人脸输入是带脸图片输出是 t1_swapped.jpg。注意该换脸模型需单独下载许可条款以官方文档为准python examples/in_swapper/inswapper_main.py示例会把内置图中 6 张人脸全部替换为其中一人的脸另存一张拼接图便于对比。场景三搭一个 1:N 人脸搜索服务你想把人脸库服务化时功能是自托管 Server 容器上传照片即完成检测、入库和搜索输入是照片和人物注册信息输出是 Web 页面、snake_case REST 接口和 Python SDK。CPU 版三步启动docker compose -f server/deploy/compose.cpu.yml pull docker compose -f server/deploy/compose.cpu.yml run --rm models install buffalo_l --accept-license docker compose -f server/deploy/compose.cpu.yml up -d打开 http://127.0.0.1:18097/ 即可进入 Dashboard创建 Collection、注册 Person再用一张陌生照片做 1:N 搜索。参数与性能调优要点 训练侧的推荐设置按数据规模和机器数量分档配置文件都在 recognition/arcface_torch/configs/ 下使用场景推荐配置启动方式关键点单卡小数据集验证configs/ms1mv3_r50_onegpupython train_v2.py 加该配置r50、batch 128、fp16 开启、lr 0.02单机 8 卡configs/ms1mv3_r50torchrun --nproc_per_node8MS1MV3 约 9.3 万身份双机 16 卡大模型configs/wf42m_pfc02_16gpus_r100torchrun 加多机参数r100 PartialFC类别中心显存是大数据集训练的主要瓶颈官方在 Tesla V100 32GB x 8 上实测的吞吐样本/秒如下摘自 recognition/arcface_torch/README.md身份数数据并行模型并行PartialFC 0.114 万167230434738550 万显存不足138939752900 万显存不足显存不足1855一句话划重点身份数在几十万以内按普通数据并行练即可跨过百万级就打开 PartialFC 采样否则类别中心装不进显存。避坑指南 ⚠️GPU 装了却跑在 CPU 上原因默认安装的是 CPU 版 onnxruntime不会自动启用 CUDA。解法改装 onnxruntime-gpu并在 FaceAnalysis 里传 providers[CUDAExecutionProvider]。模型下载失败或版本过旧原因0.3.3 之后 FaceAnalysis 初始化时才自动下载模型包网络不稳就卡在启动。解法手动下载 buffalo_l 包解压到 ~/.insightface/models/ 再运行。大身份数训练直接 OOM原因全量 softmax 要把所有身份的类别中心放进显存。解法配置文件里开启 fp16 并把 sample_rate 调成 PartialFC 模式。误把公开模型用于商用原因公开预训练模型仅限非商业研究用途商用需单独授权。解法商用前查看仓库 README 的许可说明并联系官方。训练数据格式不对原因训练脚本读 MXNet .rec 格式直接喂图片目录会报错。解法先用 recognition 目录下的 rec_builder 工具把数据打包成 .rec。学习路径与资源 想最快出结果读 python-package/README.md模型包对照表buffalo_l、antelopev2 等和自动下载说明都在这里。想训练自己的模型看 recognition/arcface_torch/README.md训练命令、数据集准备和 ONNX 转换入口都有。想部署服务按 server/docs/user-guide.md 走首跑流程接口细节查 server/docs/api.md。想做检测方向从 detection/scrfd/README.md 入手含 NAS 搜索和 WIDER FACE 评测脚本。InsightFace 把拿模型、跑推理、训新模型、上服务整条链路压进一个仓库省去了在多个项目间拼凑的功夫。下一步建议先跑通 examples 里的三条命令再照着场景三把 1:N 搜索服务在自己机器上搭起来。【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 如何用 3 步上手 InsightFace：从人脸检测到自托管识别服务
如何用 3 步上手 InsightFace从人脸检测到自托管识别服务【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 是开源人脸分析工具箱覆盖人脸检测、人脸识别、人脸对齐与换脸的完整链路附带预训练模型包、分布式训练脚本和自托管识别服务。本文先用最小命令跑通效果再给出三个可直接照做的实战场景。一分钟看懂项目定位 InsightFace 把人脸方向的三段活儿放在同一个仓库里推理侧用 Python 包直接加载预训练 ONNX 模型训练侧提供 ArcFace 官方 PyTorch 实现和 PartialFC 大模型并行方案部署侧则内置一个带 Web 界面和 REST API 的 Docker 服务。它的差异化在于一条龙——别人只给模型权重这里从模型获取、训练代码到容器化服务都能自给自足。核心能力入口位置输入输出检测、对齐、属性python-package/insightface/app/一张图片人脸框、5 点 landmarks、性别年龄1:1 与 1:N 识别examples/face_recognition/、server/两张或多张照片特征向量、余弦相似度、搜索结果人脸换脸examples/in_swapper/源人脸 目标图换脸结果图训练新模型recognition/arcface_torch/.rec 数据集r50/r100 等模型与 ONNX 导出快速上手3 步跑通第一个结果 ⚡准备环境拿到仓库代码先 clone 仓库后续所有示例都基于本地目录运行git clone https://gitcode.com/GitHub_Trending/in/insightface安装依赖一条命令装推理库官方示例要求先安装 insightface 包它从 0.2 版本起以 onnxruntime 为后端GPU 推理需另装 onnxruntime-gpupip install -U insightface运行最小命令跑通内置演示仓库自带的 demo_analysis.py 使用内置多人样本图一次完成检测、对齐、特征提取和相似度计算python examples/demo_analysis.py运行后当前目录会生成 t1_output.jpg图上画出 6 张人脸的检测框终端同时打印 6 人脸的两两相似度矩阵。三个核心能力实战 ️场景一核对两张照片是否同一人你想做身份核验类判断时功能是把两张照片各自压成 512 维特征再算余弦相似度输入是两张单人照输出是相似度分数和是否同一人的结论。示例脚本默认阈值 0.65跑之前把图片路径换成你自己的python examples/face_recognition/insightface_app.py终端打印 Similarity Score 和 Same person? YES/NO 两行直接得到结论。场景二把整张图的人脸批量替换你想做换脸实验时功能是加载 inswapper 模型把目标图里每张脸都换成指定源人脸输入是带脸图片输出是 t1_swapped.jpg。注意该换脸模型需单独下载许可条款以官方文档为准python examples/in_swapper/inswapper_main.py示例会把内置图中 6 张人脸全部替换为其中一人的脸另存一张拼接图便于对比。场景三搭一个 1:N 人脸搜索服务你想把人脸库服务化时功能是自托管 Server 容器上传照片即完成检测、入库和搜索输入是照片和人物注册信息输出是 Web 页面、snake_case REST 接口和 Python SDK。CPU 版三步启动docker compose -f server/deploy/compose.cpu.yml pull docker compose -f server/deploy/compose.cpu.yml run --rm models install buffalo_l --accept-license docker compose -f server/deploy/compose.cpu.yml up -d打开 http://127.0.0.1:18097/ 即可进入 Dashboard创建 Collection、注册 Person再用一张陌生照片做 1:N 搜索。参数与性能调优要点 训练侧的推荐设置按数据规模和机器数量分档配置文件都在 recognition/arcface_torch/configs/ 下使用场景推荐配置启动方式关键点单卡小数据集验证configs/ms1mv3_r50_onegpupython train_v2.py 加该配置r50、batch 128、fp16 开启、lr 0.02单机 8 卡configs/ms1mv3_r50torchrun --nproc_per_node8MS1MV3 约 9.3 万身份双机 16 卡大模型configs/wf42m_pfc02_16gpus_r100torchrun 加多机参数r100 PartialFC类别中心显存是大数据集训练的主要瓶颈官方在 Tesla V100 32GB x 8 上实测的吞吐样本/秒如下摘自 recognition/arcface_torch/README.md身份数数据并行模型并行PartialFC 0.114 万167230434738550 万显存不足138939752900 万显存不足显存不足1855一句话划重点身份数在几十万以内按普通数据并行练即可跨过百万级就打开 PartialFC 采样否则类别中心装不进显存。避坑指南 ⚠️GPU 装了却跑在 CPU 上原因默认安装的是 CPU 版 onnxruntime不会自动启用 CUDA。解法改装 onnxruntime-gpu并在 FaceAnalysis 里传 providers[CUDAExecutionProvider]。模型下载失败或版本过旧原因0.3.3 之后 FaceAnalysis 初始化时才自动下载模型包网络不稳就卡在启动。解法手动下载 buffalo_l 包解压到 ~/.insightface/models/ 再运行。大身份数训练直接 OOM原因全量 softmax 要把所有身份的类别中心放进显存。解法配置文件里开启 fp16 并把 sample_rate 调成 PartialFC 模式。误把公开模型用于商用原因公开预训练模型仅限非商业研究用途商用需单独授权。解法商用前查看仓库 README 的许可说明并联系官方。训练数据格式不对原因训练脚本读 MXNet .rec 格式直接喂图片目录会报错。解法先用 recognition 目录下的 rec_builder 工具把数据打包成 .rec。学习路径与资源 想最快出结果读 python-package/README.md模型包对照表buffalo_l、antelopev2 等和自动下载说明都在这里。想训练自己的模型看 recognition/arcface_torch/README.md训练命令、数据集准备和 ONNX 转换入口都有。想部署服务按 server/docs/user-guide.md 走首跑流程接口细节查 server/docs/api.md。想做检测方向从 detection/scrfd/README.md 入手含 NAS 搜索和 WIDER FACE 评测脚本。InsightFace 把拿模型、跑推理、训新模型、上服务整条链路压进一个仓库省去了在多个项目间拼凑的功夫。下一步建议先跑通 examples 里的三条命令再照着场景三把 1:N 搜索服务在自己机器上搭起来。【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