无需 GPU 也能跑：RetinaFace+CurricularFace 轻量级部署实战

现在，最激动人心的时刻来了。我们将运行项目自带的示例脚本，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 

看到了吗？ 系统自动完成了以下所有工作：

1. 读取两张图片。
2. 用 RetinaFace 在每张图片里找到最大的人脸（自动忽略背景和其他人脸）。
3. 用 CurricularFace 提取这两张人脸的特征。
4. 计算两个特征的余弦相似度（0.85）。
5. 根据默认的阈值（0.4）判断为'同一人'。

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。

2.3 试试你自己的图片

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当前目录。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：

• 同一个人不同表情的照片。
• 你和朋友的照片。
• 甚至是你和明星的照片（看看模型会不会'认错人'）。

3. 深入使用：掌握脚本参数与核心功能

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。

3.1 关键参数详解

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。

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：

• 安全核验场景（如门禁、支付）：建议调高，比如 0.6 或 0.7，宁可认错，不可放过。
• 相册聚类场景（如整理家庭照片）：可以保持 0.4 或 0.5，更注重把同一个人找全。

3.2 实用命令示例

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。

4. 理解原理与最佳实践：让系统更'懂'你

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。

4.1 系统是如何工作的？（简化版）

当你运行脚本时，背后发生了这样几件事：

1. 加载模型：脚本启动时，会自动从项目预置的位置加载 RetinaFace 和 CurricularFace 模型。这个过程在第一次运行时可能需要几秒钟。
2. 读取与预处理图片：无论你给的是路径还是 URL，脚本都会把图片读入内存，并转换为模型需要的格式。
3. 人脸检测与对齐：RetinaFace 模型在图片上进行扫描，找到面积最大的那张人脸，并输出它的边界框和 5 个关键点。然后，系统会根据这 5 点对人脸进行'对齐'（一种旋转和裁剪操作），确保鼻子在中间，眼睛在同一水平线上。这一步对提升识别精度至关重要。
4. 特征提取：将对齐后的人脸小图送入 CurricularFace 模型，输出一个 512 维的特征向量。这个向量就是这张脸的'数学化表达'。
5. 相似度计算与判定：计算两个特征向量之间的余弦相似度。最后，将这个分数与你设定的阈值比较，给出'同一人'或'不同人'的结论。

4.2 获得更好效果的实用建议

为了让你的识别体验更佳，这里有一些小贴士：

• 提供高质量的输入图片：
  • 正面清晰：尽量使用正面照，光线均匀，人脸无过大遮挡（如口罩、手、头发）。
  • 人脸尺寸适中：人脸在图片中不宜过小。如果是一张大合影中的小脸，很可能检测不到或特征提取不准。
  • 避免过度美颜：美颜滤镜会改变面部纹理和结构，可能影响模型提取真实特征。
• 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。这意味着：
  • 在单人照中，这没问题。
  • 在多人合影中，它只会识别画面中看起来最大的那个人。如果你想识别合影中的特定某人，可能需要先手动裁剪，或者使用更高级的、能处理多人脸的脚本。
• 根据场景调整阈值：再次强调阈值 -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'。
• 侧脸、极端光照的影响：模型在侧脸、背光或光线极暗的情况下，性能会有所下降。相似度得分可能会比正面照低。这是目前大多数人脸识别模型的共同挑战。

5. 总结

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：

1. 准备好环境，一键启动：利用预置镜像或环境，跳过了所有环境坑。
2. 一行命令，验证效果：python inference_face.py 让我们瞬间看到人脸比对的魔力。
3. 自定义输入，灵活比对：通过 -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。
4. 理解原理，用得更好：知道了系统是'检测->对齐->提取->比对'的流程，也学会了通过提供好图片、调整阈值来优化结果。

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。