RetinaFace 与 CurricularFace 推理脚本排错记录

这里最值得盯的是 Detected 1 face (largest box: [...])。它说明检测器真的把脸找出来了，不是你手工传了个裁剪好的结果。如果这里变成 Detected 0 face，先别怀疑模型，先检查图片本身：尺寸是不是太小、是不是全黑、是不是格式坏了。

几个常见报错也基本都和环境有关：

• ModuleNotFoundError: No module named 'torch'：多半是解释器没指到 conda 环境里的 Python，不要用 /usr/bin/python。
• OSError: libcudnn.so.8: cannot open shared object file：通常是 LD_LIBRARY_PATH 没带上 CUDA 路径，补一下再跑。
• 图片路径报错或者直接检测不到脸：先看 ./imgs/ 目录还在不在，必要时用 file ./imgs/face_recognition_1.png 确认文件没坏。

export LD_LIBRARY_PATH=/usr/local/cuda-12.1/lib64:$LD_LIBRARY_PATH

自定义图片时，路径比你想的更重要

python inference_face.py --input1 /home/user/pic1.jpg --input2 /home/user/pic2.jpg

这套脚本更适合用绝对路径。工作目录固定在 /root/Retinaface_CurricularFace，如果你图放在 /home 或 /data，相对路径大概率会解释错。这个坑很常见，也最没必要。

如果报 FileNotFoundError: [Errno 2] No such file or directory: '/home/user/pic1.jpg'，先别急着怀疑代码，先确认路径拼对了，权限也够。ls -l 和 tab 补全比盯报错信息更快。

脚本也支持直接传 URL：

python inference_face.py --input1 https://example.com/a.jpg --input2 https://example.com/b.jpg

它内部会用 requests.get() 下载，并缓存到 ./cache/。省去手动下载这一步，调试时挺方便，但对网络比较挑。requests.exceptions.ConnectionError 或超时，通常不是代码错了，而是镜像默认没配代理，外网访问慢或者直接失败。先用 curl -I 看看连通性，不行就换能直连的地址，或者先下到本地。

还有一种更麻烦：URL 打开后不是图片，而是网页错误页。这个时候会报 PIL.UnidentifiedImageError: cannot identify image file。浏览器先看一眼，或者直接确认返回内容是不是图片，比反复重跑更省时间。

阈值不是固定值

python inference_face.py -i1 ./imgs/1.jpg -i2 ./imgs/2.jpg --threshold 0.6

这里的阈值是相似度判定线。0.4、0.6、0.2 不是谁更'正确'，而是场景不同：宽松一点适合粗筛，严格一点适合身份核验。这个值别死记，实际效果要看你的图片质量、采集环境和业务容忍度。

调高阈值以后，原来能判成同一人的图可能会被判掉。这个现象不一定是模型退化，很多时候只是阈值变严了。反过来也一样，阈值太低，误判会明显变多。

如果还是不对，先查这几件事

• which python 指向的到底是不是 torch25 环境。
• nvidia-smi 显示的驱动版本是否满足 CUDA 12.1。
• LD_LIBRARY_PATH 里有没有 /usr/local/cuda-12.1/lib64。
• 输入图片是不是有效文件，而不是空文件或网页内容。
• 脚本参数有没有把本地路径和 URL 混着写。

这套流程不算复杂，但它特别吃环境一致性。脚本本身并不神秘，真正容易出问题的是路径、依赖和输入格式。先把这些基础条件收紧，RetinaFace 负责把脸找出来，CurricularFace 再去做比对，结果通常就会稳定很多。