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/CompreFaceCompreFace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使用场景推荐模型理由室内固定设备办公大堂、门店SubCenter-ArcFace-r100LFW精度最高99.80%CPU速度可接受户外移动、高并发优先Mobilenet-gpuMobileFaceNet速度最快GPU补齐复杂环境开销门禁考勤有人戴口罩r100或Mobilenet mask插件口罩插件能区分未戴/正确/错误佩戴细节见docs/Mask-detection-plugin.md普通CPU环境、通用用途FaceNet默认构建99.63%精度连没有AVX2的CPU也能跑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创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考