企业官网建设流程全解析

SCRFD人脸检测器选型全解：0.5GF起步、3.6ms出框，一篇讲透从原理到部署

【免费下载链接】insightfaceState-of-the-art 2D and 3D Face Analysis Project项目地址: https://gitcode.com/GitHub_Trending/in/insightface

支付摄像头前，近处的人脸占满半个画面，远处的人脸只剩十几像素。实时人脸检测要在几十毫秒内把每张脸都框出来，还要给出 5 个关键点，否则下游对齐、识别全部跑偏。InsightFace 的 SCRFD（Sample and Computation Redistribution，样本与计算再分配，ICLR 2022 收录）就是为此设计的：从 0.5GF 到 34GF（GF 即 GigaFLOPs，计算量档位）的五个规格，覆盖手机到服务器的全部部署场景。本文带你完成理解原理、选对规格、跑通推理三件事。

🎯 到底难在哪

核心矛盾是一条尺度跨度：大脸区域脸多、位置稳定，每个特征点都算一遍是浪费；小脸区域脸少而密，特征稀疏时稍有遗漏就漏检。传统检测器在所有位置花同样的算力，两头都不讨好。

SCRFD 的解法是像排班一样重新分配资源：市中心店铺密集，不必每个路口都站岗；郊区人口稀疏，反而要加密巡逻。具体落到三个设计要点：

• 计算再分配：骨干浅层通道多、算得密，深层通道少、算得省，算力压在定位贡献最大的浅层；
• 样本再分配：训练时不靠人工 IoU 阈值挑正样本，由分配器按邻域统计量自动判定；
• 头部共享：分类与回归头共用卷积，砍掉一半头部的 FLOPs。

🔬 三个关键机制

ATSS：让正负样本自己长出来

这个机制解决"小脸正样本被固定阈值误杀"的问题。配置里只声明分配器类型和 topk 数：

# detection/scrfd/configs/scrfd/scrfd_2.5g.py train_cfg=dict( assigner=dict(type='ATSSAssigner', topk=9)) # 邻域内按中心距离取前9个候选

ATSSAssigner 在 detection/scrfd/mmdet/core/bbox/assigners/atss_assigner.py 中的实现：对每张真值脸，在每个金字塔层取中心距离最近的 topk 个 anchor 做候选，计算这些候选的 IoU 均值和标准差，用均值加标准差当动态阈值，高于它的才算正样本。阈值随图像局部尺度自适应，不再写死一个 0.5。

不这样做，密集小脸场景里大量本该算正样本的 anchor 会因 IoU 略低于阈值被判成负样本，模型被反复教"这里没有脸"，Hard 子集精度直接受损。

共享头加双尺度 anchor：小脸在浅层就能被接住

这个机制解决"小脸需要密集特征、但算力预算有限"的问题。关键配置：

# detection/scrfd/configs/scrfd/scrfd_2.5g.py bbox_head=dict( type='SCRFDHead', cls_reg_share=True, # 分类/回归共用卷积，头部FLOPs减半 anchor_generator=dict( ratios=[1.0], scales=[1, 2], # 每个位置两个尺度候选 base_sizes=[16, 64, 256], strides=[8, 16, 32])) # 三层特征金字塔

三个数各管一摊：base_sizes=[16, 64, 256]对应三个 stride，覆盖小、中、大脸；scales=[1, 2]让每个特征位置有两个尺度候选，十几像素的小脸在 stride=8 的浅层就有合适的 anchor 接住；cls_reg_share=True则把分类和回归从两组卷积压成一组，小模型的推理延迟对头部 FLOPs 极其敏感，这一步省得实在。

不共享的话，同等主干下头部算力翻倍，0.5GF 档位根本塞不进手机实时预算；没有双尺度 anchor，小脸只能靠更深、更稀疏的特征层，漏检率会明显上升。

推理端 anchor 缓存：同一尺寸只算一次

这个机制解决"每帧重复计算锚点中心坐标"的隐性开销。ONNX 导出默认走动态输入，也可固定形状后交给 onnx-simplifier 优化：

# 固定640x640导出，可再经onnx-simplifier优化 python tools/scrfd2onnx.py configs/scrfd/scrfd_2.5g.py model.pth --shape 640 640

tools/scrfd2onnx.py 不传--shape时按 640x640 建图并导出动态 shape 的 ONNX；传了则输出固定形状文件。Python 推理端 tools/scrfd.py 用center_cache按(高, 宽, stride)做键缓存锚点中心坐标表，同一输入尺寸从第二次推理起直接命中，不再重建。

不缓存的话，每帧都要为三层特征图各算一遍 mgrid 坐标数组，高频调用时这部分纯浪费的开销会被放大。

📊 规格怎么选：五档对号入座

下表来自 detection/scrfd/README.md 的 Pretrained-Models 表：mAP 为 WIDERFace 单尺度、VGA 分辨率评测，Infer 为 640x640 输入的单帧延迟。

如果你的场景是手机 App 或嵌入式端侧，选 SCRFD_500M，因为 0.57M 参数、3.6ms 档位延迟是端侧唯一能同时满足实时和占用的选项。如果你的场景是服务器单路实时、精度预算中等，选 SCRFD_2.5G，因为 Hard 77.87 比 500M 高近 10 个点，延迟只多 0.6ms，性价比最高。如果你的场景是安防或支付这类高精度离线服务，选 SCRFD_10G，因为 3.86M 参数换 Hard 83.05，4.9ms 的延迟在离线链路里完全不构成瓶颈。

两个可核对的实测数据点。其一，端侧 CPU 单线程（AMD Ryzen 9 3950X、OMP_NUM_THREADS=1）：500M 规格在 640x480 输入下 28.3ms，降到 320x240 只要 11.4ms——速度不够时先降输入尺寸，再考虑换更小模型。其二，同条件下 RetinaFace MobileNet-0.25 版本 Hard 精度 47.32、延迟 7.9ms，可见 SCRFD 在小档位的精度优势来自算法本身而非参数堆料。

🚀 跑通最小路径：四步出框

# 1. 克隆仓库 git clone https://gitcode.com/GitHub_Trending/in/insightface # 2. 安装推理依赖 pip install onnxruntime opencv-python numpy # 3. 进入推理目录，按README的Pretrained-Models表下载 scrfd_2p5gkps.onnx 放到当前目录 cd insightface/detection/scrfd # 4. 运行（需准备一张测试图，默认读 tests/data/t3.jpg） python tools/scrfd.py

权重下载位置在 detection/scrfd/README.md 的 Pretrained-Models 表里，_KPS后缀的权重带 5 个关键点输出。tools/scrfd.py的__main__里已内置加载、prepare(-1)、detect(img, 0.5)和可视化保存的完整流程，照着改图片路径即可。

如果卡住了，对照三条排查项：

detect 直接抛 AssertionError→ ONNX 模型导出时固定了 shape，detect()却没传input_size，内部断言input_size is not None or self.input_size is not None失败 → 显式传入detect(img, 0.5, input_size=(640, 640))。

关键点全为空→ 你拿的是不带关键点的权重，use_kps由输出头数量自动推断，6/10 个输出头无关键点，9/15 个才有 → 换_KPS后缀的权重重新下载。

框的位置整体偏移或缩放不对→ 在返回结果上又手动除了一次缩放系数 →detect()返回的框已映射回原图坐标系，直接使用即可。

⚙️ 上生产前：三端各一条关键配置

CPU：ONNX Runtime 多核跑法，关键配置是在set_providers之外设置intra_op_num_threads等于物理核数。官方单线程数字（上表 28.3ms）只作基线，多线程下同一张 500M 模型能压到一半以下。

GPU：把 python-package/insightface/model_zoo/scrfd.py 里prepare(ctx_id)走的CPUExecutionProvider换成CUDAExecutionProvider，ctx_id传 GPU 设备号。注意 SCRFD 本身 FLOPs 不高，GPU 上的收益主要在批量并发，单帧收益有限。

端侧：仓库 README 的 Demo 一节列了 ncnn、MNN、TNN 等 C++ 推理实现参考，500M 规格是端侧首选，FP16 或 INT8 量化可再压一档延迟。改模型精度前先回归 Hard 子集，量化对小脸分数影响比框坐标更敏感。

🔗 它在整条链路里的位置

SCRFD 是 InsightFace 整条链路的"前端"：输出人脸框和 5 个关键点，下游 ArcFace 识别器用这 5 点做仿射对齐（把脸摆正到统一姿态再提特征），3D 重建模块则直接消费检测框作为输入。框不准，后面全歪。

两条可直接跑通的路径：examples/demo_analysis.py 演示"检测 → 对齐 → 识别/属性"的完整组装；python-package/insightface/app/face_analysis.py 是这套组装方式的库实现。

这张多人照片来自 python-package 自带测试数据，恰好覆盖近处大脸和侧脸，适合当 SCRFD 的首张测试图。

⚠️ 边界与延伸

SCRFD 适合静态图和逐帧视频，对密集小脸和中等遮挡的鲁棒性在同类轻量检测器里算强，但对极端侧脸、严重遮挡没有额外保障，这类场景需要配合姿态估计或活体检测模块，到这儿就该换工具了。

想定制自己的 FLOPs 档位，从 detection/scrfd/search_tools/ 入手，里面是论文中两步网络结构搜索的完整脚本；导出细节看 detection/scrfd/tools/scrfd2onnx.py。多档位权重方面，_KPS版本与同档非关键点版相比：2.5G 规格 Easy 93.80 对 93.78，Hard 77.13 对 77.87，延迟 4.3ms 对 4.2ms——需要关键点时这个取舍基本无成本，精度差不到 1 个点。

【免费下载链接】insightfaceState-of-the-art 2D and 3D Face Analysis Project项目地址: https://gitcode.com/GitHub_Trending/in/insightface