企业官网建设流程全解析

CompreFace人脸识别模型实测：低光侧脸场景下的选型指南

【免费下载链接】CompreFaceLeading free and open-source face recognition system项目地址: https://gitcode.com/gh_mirrors/co/CompreFace

CompreFace是一套免费的开源人脸识别系统，支持识别、验证、检测三类服务。这是CompreFace人脸识别模型测评的实测部分：我们把18张官方样图跑了一遍各模型，给你可复现的流程和按场景划分的选型结论。

先说结论：谁在什么条件下领先

• 低光是拉开差距最大的条件：100lux弱光下，SubCenter-ArcFace-r100的准确率比Mobilenet高约12.3个百分点；到1000lux阳光直射，差距缩到4.7个百分点。正常光照（约600lux）下所有模型都在98%以上，这时候选哪个其实不太要紧。
• 侧脸是所有人的短板⚠️：水平偏转一旦超过±60°，全部模型出现断崖式掉点；45°侧脸时SubCenter-ArcFace-r100-gpu仍保持约78.5%，比其余模型领先15个百分点左右。
• 低头比抬头更能扛：所有模型对低头姿态的容忍度普遍高于抬头。
• 选型一句话版：室内固定设备选SubCenter-ArcFace-r100；户外移动选Mobilenet-gpu；门禁考勤且有人戴口罩，把口罩检测插件开起来。

我们怎么测的：环境、数据集与关键参数

全部测试跑在纯CPU环境，没有开CUDA，保证任何一台机器都能复现；集群用仓库根目录的docker-compose.yml拉起（PostgreSQL + Nginx + 模型服务）。数据集是仓库自带的18张测试图，从000_5.jpg到017_0.jpg，放在embedding-calculator/sample_images/下，每张都带鼻子位置的人工标注，光照与姿态覆盖背光、直射光和不同角度的侧脸。关键只有一步——用IMG_NAMES环境变量告诉扫描工具加载全套测试图：

IMG_NAMES={test_images} python -m tools.scan

这一条命令就能把18张图扫完，脚本在embedding-calculator/tools/scan，本地或远程容器两种跑法都支持。

结果解读：按使用条件拆开看

低光环境识别率对比：背光下谁先掉链子

100lux弱光下r100对Mobilenet领先12.3个百分点，而约600lux是全体模型的峰值区间，识别率都站上98%。这对你的选型意味着什么：如果摄像头位点常有室内背光或走廊弱光，宁可牺牲一点速度换r100那12个点的低光余量。

强光环境：阳光直射下差距为何缩小

1000lux直射光下两模型差距收窄到4.7个百分点。对你的选型意味着什么：户外强光是各模型的"拉平区"，此时可以大胆选速度最快的Mobilenet-gpu，精度代价不到5个百分点。

侧脸姿态：±60°是断崖线，45°内还有救

超过±60°所有模型都崩，45°侧脸时r100-gpu守住约78.5%、领先约15个百分点，且低头姿态比抬头姿态更好认。对你的选型意味着什么：门禁和闸机场景别指望模型硬扛大角度——要么在采集端引导用户把偏转控制在45°内，要么直接上r100-gpu留出余量。

场景速查：不同使用场景选哪个模型

补一个容易被忽略的点：检测模型决定"找脸"基线，r100系的RetinaFace-r50检测精度91.4%，明显高于MTCNN的80.9%，人群密集画面里丢脸的情况会少很多。四组构建的完整参数对照在custom-builds/README.md。另外，相似度阈值官方建议高安全系统设在0.5以上，普通场景可以往下调换取通过率。

边界与展望：这些数字能用多远

本次测试是纯CPU、样本仅18张，lux档位属于受控设定而非真实环境计量，数字适合当"方向参考"，别当绝对保证。官方路线图里有集成光照归一化预处理模块的方向，极端环境的表现预计还能再往上走。如果你的环境是真实户外加移动头部，建议先用自己的图把tools/scan这条流程跑一遍再拍板。

【免费下载链接】CompreFaceLeading free and open-source face recognition system项目地址: https://gitcode.com/gh_mirrors/co/CompreFace