CPU 也能跑的人脸识别部署实录
要做一个能用的人脸识别系统，不一定非得先把 GPU、CUDA 和一堆版本依赖理顺。这个场景里，RetinaFace 负责检测人脸，CurricularFace 负责提特征，配上预置好的镜像，CPU 环境就能直接跑起来。省掉的不是'几条命令'，而是最容易把人磨没耐心的那段环境排障。
这套方案的思路很简单：先找到脸，再判断是不是同一个人。RetinaFace 会在图片里定位人脸和五个关键点，CurricularFace 把对齐后的人脸编码成 512 维特征向量，最后用余弦相似度做比对。流程不复杂，重点是链路已经封好了，inference_face.py 把检测、对齐、特征提取和相似度计算都串了起来。
快速启动
先进入工作目录并激活预置环境：
cd /root/Retinaface_CurricularFace
conda activate torch25
环境里常用依赖已经装好，模型权重也在镜像里，不需要再额外下载。确认没问题后，直接运行示例脚本：
python inference_face.py
脚本默认会拿内置的两张图片做比对，终端里会输出检测到的人脸数量、相似度分数和最终判定结果。一般还能看到生成的结果图，检测框和关键点会一并画出来。
如果要换成自己的图片，把文件传到当前目录后，再指定输入路径即可：
python inference_face.py --input1 ./my_face1.jpg --input2 ./my_face2.jpg
也可以用简写：
python inference_face.py -i1 ./my_face1.jpg -i2 ./my_face2.jpg
参数怎么用
inference_face.py 主要就三个参数，够用了：
| 参数 | 简写 | 作用 | 默认值 |
|---|---|---|---|
--input1 | -i1 | 第一张图片路径，也支持 URL | 内置示例图 1 |
--input2 | -i2 | 第二张图片路径，也支持 URL | 内置示例图 2 |
--threshold | -t | 判定阈值，相似度高于它就认为是同一人 | 0.4 |
阈值没有统一答案，得看你要干什么。做门禁、支付这类场景，阈值一般要抬高一点，宁可保守；做相册整理、同人聚类，阈值可以松一些，目标是尽量把同一个人找全。0.4 不是标准答案，只是一个能跑起来的起点。
几个常见用法：
python inference_face.py -i1 ./employee_morning.jpg -i2 ./employee_afternoon.jpg --threshold 0.65
这个更适合严格比对，阈值提高后，误判为同一个人的概率会低一些，但漏掉也会更多。
python inference_face.py -i1 https://example.com/photo_a.jpg -i2 https://example.com/photo_b.jpg
直接喂网络图片也行，脚本会自己拉取并处理，做验证时挺省事。
如果要批量测，脚本本身没有把整个文件夹一次性扫完的接口，但可以自己包一层循环，思路大概这样：
import os
import subprocess
folder1 = './personA_photos'
folder2 = './personB_photos'
for img1 in os.listdir(folder1)[:5]:
for img2 in os.listdir(folder2)[:5]:
path1 = os.path.join(folder1, img1)
path2 = os.path.join(folder2, img2)
cmd = f'python inference_face.py -i1 {path1} -i2 {path2}'
print(f"\n比对：{img1} vs {img2}")
subprocess.run(cmd, shell=True)
这套流程实际做了什么
脚本跑起来后，背后就是几步固定动作：先加载模型，再读图，接着用 RetinaFace 找最大的人脸和关键点，做对齐，然后送进 CurricularFace 提特征，最后算余弦相似度并和阈值比较。逻辑没什么神秘的，真正影响结果的反而是输入图片质量和阈值设置。
这里有几个容易踩空的地方。
- 图片尽量清晰、正面、光线正常。人脸太小、遮挡太多，效果都会掉。
- 脚本默认只处理每张图里最大的那张脸。单人照没问题，多人合影就不太够用，想识别特定对象得先自己裁图。
- 侧脸、背光、极暗环境都会影响相似度，别指望模型在所有照片上都表现得一样稳。
- 美颜太重的图不太友好，脸部纹理和结构被改得太多，特征会跟着飘。
结论
这套方案的价值，不在于它有多'炫'，而在于它够省事。预置镜像把环境和模型都准备好了，inference_face.py 把识别流程也封装好了，剩下的事就是换图片、调阈值、看结果。对课程作业、原型验证、简单 demo 来说，这已经够用了。
如果后面还想继续扩展，可以在这个比对链路上往外接：做相册分类、做考勤 demo，或者写个小工具去筛自己在社交媒体上的照片。底层这套检测 + 特征 + 比对的流程，能支撑的东西比看上去多一点。
