一种无需 GPU 即可运行的人脸识别部署方案，结合 RetinaFace 检测与 CurricularFace 识别模型。通过预置镜像环境，用户可快速搭建系统，利用 Python 脚本进行人脸比对。文章详细说明了环境启动、脚本参数配置（如输入路径、相似度阈值）及最佳实践建议，旨在降低技术门槛，适用于课程作业、原型验证等场景。
要跑一个像样的人脸识别系统，是否非得有块昂贵的 GPU 显卡才行？或者被复杂的 CUDA 安装、PyTorch 版本冲突搞得焦头烂额？今天告诉你一个好消息：没有 GPU，照样能玩转高性能人脸识别。
我们这次的主角是 RetinaFace 和 CurricularFace 这对黄金搭档。一个负责'找脸'，一个负责'认人'。借助预置镜像环境，你连一行环境配置的命令都不用敲，就能直接获得一个开箱即用、CPU 也能流畅运行的人脸识别系统。
本文将带你从零开始，在几分钟内启动这个镜像，然后一步步教你如何用它来检测人脸、提取特征、进行比对。整个过程，你只需要会基本的 Python 操作，甚至不需要懂深度学习。
想象一下，你要在一个聚会的照片里找到你的朋友。你需要两步：第一步，把照片里所有人的脸都圈出来；第二步，看看哪张脸是你朋友的。
RetinaFace 和 CurricularFace 干的就是这两件事。
把它们俩结合起来，就形成了一个完整的流水线：输入一张图片 → RetinaFace 检测并裁剪出人脸 → CurricularFace 为这张脸生成特征向量 → 通过比较特征向量的相似度来判断是不是同一个人。
这套组合之所以能在 CPU 上跑得起来，关键在于两点：
inference_face.py，它把检测、对齐、特征提取、相似度计算这些步骤都封装好了。你只需要传两张图片进去，它就能给你一个结果。这意味着，你跳过了最令人头疼的环境搭建和模型准备阶段，直接进入了'使用'和'创造'阶段。这对于想快速验证想法、完成课程作业或毕业设计的同学来说，非常实用。
理论说再多，不如动手试一试。我们现在就来把这个系统跑起来。
首先，你需要创建预置镜像实例。这个过程通常是一键完成的。
实例启动后，你会获得一个访问终端（比如 Web Shell）。按照镜像文档的指引，我们需要先进入工作目录并激活环境。
打开终端，依次输入以下命令：
# 1. 进入工作目录
cd /root/Retinaface_CurricularFace
# 2. 激活预置的 Python 环境（里面所有库都装好了）
conda activate torch25
执行完这两步，你的环境就准备好了。你可以输入 python --version 和 pip list | grep torch 简单验证一下。
现在，我们将运行镜像自带的示例脚本，看看效果。
在工作目录下，直接运行：
python inference_face.py
这个命令会使用脚本内置的两张示例图片进行人脸比对。稍等片刻，你会在终端看到类似下面的输出：
图片 1 中检测到 1 张人脸。
图片 2 中检测到 1 张人脸。
余弦相似度得分：0.85
判定结果：同一人
系统自动完成了以下所有工作：
同时，脚本很可能还会生成一张结果对比图，直观地看到检测框和关键点。
用示例图片跑通只是第一步。接下来，我们用自己的图片来测试。
你需要把图片上传到镜像环境中。可以通过终端左侧的文件上传功能，将本地图片（比如 my_face1.jpg 和 my_face2.jpg）上传到当前目录。
然后，使用脚本的命令行参数来指定图片路径：
python inference_face.py --input1 ./my_face1.jpg --input2 ./my_face2.jpg
或者用简写：
python inference_face.py -i1 ./my_face1.jpg -i2 ./my_face2.jpg
脚本会输出这两张图片中人脸的相似度。你可以试试：
现在你已经能让系统跑起来了，我们来深入了解一下这个推理脚本，让它更好地为你服务。
inference_face.py 脚本提供了几个非常实用的参数，让你可以灵活控制比对过程。
| 参数 | 简写 | 作用 | 默认值 |
|---|---|---|---|
--input1 | -i1 | 第一张图片的路径。可以是绝对路径、相对路径，甚至是一个网络图片的 URL 地址。 | 内置示例图 1 |
--input2 | -i2 | 第二张图片的路径。 | 内置示例图 2 |
--threshold | -t | 判定阈值。这是最重要的参数之一。如果两张人脸的相似度得分大于这个值，就判定为'同一人'。 | 0.4 |
这个阈值怎么理解？ 相似度得分范围在 -1 到 1 之间，越接近 1 表示越相似。0.4 是一个比较宽松的阈值，旨在提高召回率（尽量不漏掉同一个人）。你可以根据场景调整：
0.6 或 0.7，宁可认错，不可放过。0.4 或 0.5，更注重把同一个人找全。让我们看几个具体的命令，加深理解：
1. 提高判定标准，进行严格比对 假设你正在做一个考勤系统，需要非常严格，防止代打卡。
python inference_face.py -i1 ./employee_morning.jpg -i2 ./employee_afternoon.jpg --threshold 0.65
这条命令会以更严格的标准（0.65）来判断早晚两张照片是否是同一人。
2. 直接比对网络图片 你甚至不需要提前下载图片，直接输入图片网址即可。
python inference_face.py -i1 https://example.com/photo_a.jpg -i2 https://example.com/photo_b.jpg
脚本会自动下载图片并进行处理。这在做网络图片检索或验证时非常方便。
3. 批量测试的想法 虽然脚本本身不支持直接批量输入文件夹，但你可以用简单的 Python 循环来实现。例如，写一个 batch_test.py：
import os
import subprocess
# 假设你有两个文件夹，里面是同一个人不同照片
folder1 = './personA_photos'
folder2 = './personB_photos'
for img1 in os.listdir(folder1)[:5]: # 各取前 5 张测试
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)
这样就能快速得到多组比对结果。
要更好地使用这个工具，了解一些背后的原理和注意事项很有帮助。
当你运行脚本时，背后发生了这样几件事：
为了让你的识别体验更佳，这里有一些小贴士：
-t 的重要性。没有放之四海而皆准的值。多用自己的数据测试几次，观察相似度得分的分布，就能找到一个适合你当前任务的'黄金阈值'。回顾一下，我们完成了一件什么事？在没有 GPU、不配置复杂环境的情况下，快速部署并体验了一个业界主流水平的人脸识别系统。
整个过程就像搭积木一样简单：
python inference_face.py 让我们瞬间看到人脸比对的魔力。-i1、-i2、-t 参数，我们可以用自己的图片，按自己的标准进行识别。这个轻量级方案的价值在于，它极大地降低了人脸识别技术的入门门槛。无论是学生做课程设计、开发者做原型验证，还是爱好者探索 AI 应用，它都是一个绝佳的起点。
你可以基于这个核心的比对功能，发挥想象力，构建更有趣的应用，比如：一个简单的相册人脸分类工具，一个基于人脸识别的考勤 demo，或者一个找出社交媒体上所有自己照片的小脚本。
微信公众号「极客日志」，在微信中扫描左侧二维码关注。展示文案：极客日志 zeeklog
使用加密算法（如AES、TripleDES、Rabbit或RC4）加密和解密文本明文。 在线工具，加密/解密文本在线工具，online
生成新的随机RSA私钥和公钥pem证书。 在线工具，RSA密钥对生成器在线工具，online
基于 Mermaid.js 实时预览流程图、时序图等图表，支持源码编辑与即时渲染。 在线工具，Mermaid 预览与可视化编辑在线工具，online
解析常见 curl 参数并生成 fetch、axios、PHP curl 或 Python requests 示例代码。 在线工具，curl 转代码在线工具，online
将字符串编码和解码为其 Base64 格式表示形式即可。 在线工具，Base64 字符串编码/解码在线工具，online
将字符串、文件或图像转换为其 Base64 表示形式。 在线工具，Base64 文件转换器在线工具，online