Retinaface+CurricularFace 轻量级 CPU 人脸识别部署方案

python inference_face.py --input1 ./my_face1.jpg --input2 ./my_face2.jpg 

或简写：

python inference_face.py -i1 ./my_face1.jpg -i2 ./my_face2.jpg 

你可以测试同一个人不同表情、你和朋友的照片等。

3. 深入使用：掌握脚本参数与核心功能

3.1 关键参数详解

inference_face.py 提供了几个实用参数：

阈值理解：相似度范围 -1 到 1，越接近 1 越相似。

• 安全核验场景（门禁、支付）：建议调高，如 0.6 或 0.7。
• 相册聚类场景：保持 0.4 或 0.5。

3.2 实用命令示例

1. 提高判定标准

python inference_face.py -i1 ./employee_morning.jpg -i2 ./employee_afternoon.jpg --threshold 0.65 

2. 直接比对网络图片

python inference_face.py -i1 https://example.com/photo_a.jpg -i2 https://example.com/photo_b.jpg 

3. 批量测试想法 虽然脚本不支持直接批量输入文件夹，但可用 Python 循环实现：

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)

4. 理解原理与最佳实践：让系统更'懂'你

4.1 系统工作原理（简化版）

1. 加载模型：脚本启动时加载 RetinaFace 和 CurricularFace 模型。
2. 读取与预处理：将图片读入内存并转换格式。
3. 人脸检测与对齐：RetinaFace 扫描找到面积最大的人脸及 5 个关键点，系统进行旋转和裁剪对齐。
4. 特征提取：将对齐后的小图送入 CurricularFace，输出 512 维特征向量。
5. 相似度计算与判定：计算余弦相似度，与阈值比较得出结论。

4.2 获得更好效果的实用建议

• 高质量输入：正面清晰，光线均匀，无过大遮挡，避免过度美颜。
• 理解'最大人脸'逻辑：脚本默认只处理每张图片中检测到的最大人脸。多人合影需先裁剪或使用支持多人的脚本。
• 调整阈值：根据场景测试数据分布，找到适合任务的'黄金阈值'。
• 侧脸与光照：侧脸、背光或极暗环境下性能可能下降。

5. 总结

回顾一下，我们在没有 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。

整个过程简单明了：

1. 准备环境：利用预置镜像，跳过环境坑。
2. 验证效果：一行命令 python inference_face.py 看到比对结果。
3. 自定义输入：通过参数灵活控制。
4. 理解原理：了解'检测->对齐->提取->比对'流程。

这个轻量级方案降低了人脸识别技术的入门门槛，适用于课程设计、原型验证或 AI 应用探索。基于核心比对功能，可构建相册分类、考勤 demo 等应用。