← Zurück zu den Leitfäden
InsightFace 1.0GUIGesichtserkennungModellbewertungFace Swap

InsightFace 1.0 Anleitung: Lokale Gesichtserkennung, Desktop-GUI und Enterprise-Evaluation

Installieren Sie das schlankere InsightFace-1.0-Paket, starten Sie die plattformübergreifende Evaluation Studio GUI und prüfen Sie lokale Erkennung, Album-Clustering, Enterprise-Datensätze, Face-Swap-Tests sowie Modelllizenzen und Datenschutzgrenzen.

•11 Min. Lesezeit
InsightFace Evaluation Studio Übersicht mit Face Recognition, Album Management, Enterprise Evaluation, Face Swap, Models und License Screens
InsightFace Evaluation Studio im InsightFace-1.0-Paket.

Was Sie umsetzen

InsightFace 1.0 behält die vertraute Python FaceAnalysis API bei und macht das Basispaket leichter. Die optionale face3d Cython/C++ extension wird nicht mehr standardmäßig gebaut, sodass die meisten Nutzer das core package ohne lokale Compiler-Toolchain installieren können.

Neu ist außerdem InsightFace Evaluation Studio, eine plattformübergreifende PySide6 Desktop-GUI, die über das package extra installiert wird. Entwickler, Forschende und Enterprise-Evaluatoren erhalten damit einen lokalen workspace für Gesichtserkennung, Album-Clustering, Dataset-Evaluation und Face-Swap-Tests.

Version 1.0 entfernt außerdem einige nicht notwendige Abhängigkeiten.

Vor dem Start

  • Python 3.9+ mit virtual environment. Nutzen Sie das GUI extra nur auf Maschinen, auf denen Desktop-Abhängigkeiten akzeptabel sind.
  • Ein lokaler model cache oder die Berechtigung, model packs in das InsightFace model directory herunterzuladen.
  • Repräsentative Bilder oder identity-folder datasets für den Workflow, den Sie testen möchten.
  • Klare Richtlinien zu Einwilligung, Aufbewahrung und Deployment-Autorisierung, bevor biometrische Daten verarbeitet oder Face-Swap-Experimente durchgeführt werden.

1. Was sich in InsightFace 1.0 geändert hat

Das Python-Basispaket lässt sich jetzt einfacher installieren, weil die optionale face3d extension nicht mehr standardmäßig kompiliert wird. Das bedeutet nicht, dass alle C++ components aus dem repository entfernt wurden; es bedeutet, dass Nutzer für Detection, Alignment und Recognition nicht mehr automatisch die Compiler-Kosten tragen.

Die neue GUI demo wird als optionales extra ausgeliefert, nicht als separater desktop installer. Installieren Sie insightface[gui], wenn Sie die Desktop-Oberfläche benötigen, und starten Sie sie unter macOS, Windows oder Linux über die command line.

  • Face Recognition mode: ein query image plus ein oder mehrere gallery images für 1:1 verification oder lokale 1:N search.
  • Album Management mode: lokale folders importieren, features extrahieren, Gesichter mit DBSCAN clustern und Personengruppen prüfen.
  • Enterprise Evaluation mode: lokale 1:1- und 1:N-identity-folder evaluation mit validation, metrics und report output.
  • Face Swap mode: source-plus-target workflow für Bild- oder Video-Tests, wenn ein kompatibles swap model konfiguriert ist.
  • Models, License und Settings dialogs: runtime provider, model roots, manuelle downloads, authorization status, theme und language steuern.

2. Das schlankere Python-Paket installieren

Für Python services, notebooks und command-line experiments starten Sie mit dem base package. Es behält die FaceAnalysis API und das Standardmodellverhalten bei, ohne den gesamten Desktop-Stack zu installieren.

Ein minimaler smoke test sollte eine FaceAnalysis app erstellen, sie auf CPU vorbereiten, das Standardmodell buffalo_l laden, sofern es bereits im InsightFace cache liegt, und face boxes, landmarks sowie 512-dimensional recognition embeddings zurückgeben. Standardmäßig wird SCRFD detection verwendet, die default detection size ist Auto: 128x128 plus 640x640.

Base package installieren
pip install insightface
Minimaler FaceAnalysis smoke test
import insightface
from insightface.app import FaceAnalysis
from insightface.data import get_image

app = FaceAnalysis(providers=["CPUExecutionProvider"])
app.prepare(ctx_id=-1)
faces = app.get(get_image("t1"))
print(len(faces), faces[0].embedding.shape)

3. GUI demo installieren und starten

Installieren Sie GUI dependencies nur, wenn Sie das Desktop Evaluation Studio benötigen. Der GUI workspace liegt standardmäßig unter ~/.insightface/gui, sodass local settings, indexes, thumbnails, generated reports und saved results getrennt vom Projektcode bleiben.

Die GUI sollte auch dann öffnen, wenn Modelle fehlen. Im Models dialog können Sie model URLs aktualisieren, model packs manuell herunterladen, ONNX Runtime providers auswählen oder ein custom model directory angeben.

  • Modelle werden von der GUI nicht automatisch heruntergeladen.
  • Images, videos, embeddings, thumbnails und reports werden standardmäßig lokal verarbeitet und nicht automatisch hochgeladen.
  • Die Screenshots in dieser Anleitung zeigen die englische Oberfläche, die GUI app unterstützt jedoch mehrere Sprachen; die Sprache lässt sich in Settings umstellen.
  • Verwenden Sie ein virtual environment, damit PySide6 und GUI-only dependencies keine server deployments beeinflussen.
GUI extra installieren
pip install "insightface[gui]"
insightface-gui
Gleichwertige Startbefehle
insightface-eval-studio
insightface-desktop
python -m insightface.gui

4. Face Recognition mode ausführen

InsightFace Face Recognition mode mit Query- und Gallery-Upload-Bereichen
Face Recognition mode unterstützt schnelle 1:1 comparison und lokale 1:N search.

Nutzen Sie Face Recognition mode, wenn Sie identity matching schnell und ohne Code testen möchten. Laden Sie ein query image hoch und fügen Sie ein gallery image für 1:1 comparison hinzu, oder mehrere gallery images und folders für lokale 1:N search.

Gallery embeddings werden im Speicher gecacht, bis sich die gallery ändert. Enthält ein Bild mehrere Gesichter, wählen Sie die passende multi-face handling policy; praktisch ist meist largest centered face. Halten Sie den recognition threshold sichtbar und konfigurierbar, da production thresholds auf Ihren eigenen validation data bestimmt werden sollten.

5. Lokale Fotos mit Album Management organisieren

InsightFace Album Management mode für lokales Clustering von Fotoordnern
Album Management clustert Gesichter aus ausgewählten lokalen Ordnern.

Album Management ist als lokaler smart photo organizer gedacht. Fügen Sie einen oder mehrere local album directories hinzu und starten Sie Import / Refresh, um folders neu zu scannen und features für neue Bilder zu extrahieren. Rebuild All löscht indexed features und berechnet clusters vollständig neu.

Der clustering workflow nutzt DBSCAN mit einem cosine similarity threshold. Face thumbnails und photo thumbnails werden lokal in SQLite als compressed WebP blobs gespeichert; beim Auswählen eines clusters sehen Sie die original photos dieser Personengruppe.

6. Enterprise-Datensätze lokal evaluieren

InsightFace Enterprise Evaluation mode für 1:1- und 1:N-Modellbewertung
Enterprise Evaluation mode unterstützt lokale Validierung vor Deployment-Entscheidungen.

Enterprise Evaluation mode hilft Teams, InsightFace vor Deployment- oder Beschaffungsentscheidungen auf eigenen Daten zu testen. Er unterstützt 1:1- und 1:N-evaluation aus identity folders; Auto Split kann gallery/probe splits aus jedem identity folder ableiten, wenn das dataset noch nicht vorbereitet ist.

Vor der Metrikberechnung sollte dataset validation Layout-Probleme und kritische face validity issues erkennen. Reports sollten model/runtime, dataset summary, thresholds, best-threshold accuracy, Top-1, TAR@FAR bei ausreichenden sample counts, errors, latency, license status, responsible-use notes und recommended next steps enthalten.

  • Verwenden Sie explizite gallery, probe und unknown folders, wenn Sie eine kontrollierte open-set 1:N evaluation benötigen.
  • Nutzen Sie Auto Split für frühe Exploration und frieren Sie danach einen dedicated test split ein, bevor Modelle verglichen werden.
  • Reports werden lokal generiert und nicht automatisch hochgeladen.
1:N dataset mit expliziten gallery- und probe-folders
dataset_1n/
  gallery/
    0001__Alice/
      enroll_001.jpg
      enroll_002.jpg
    0002__Bob/
      enroll_001.jpg
  probe/
    0001__Alice/
      test_001.jpg
    0002__Bob/
      test_001.jpg
  unknown/
    unknown_001.jpg
Identity folders für Auto Split
dataset/
  identities/
    0001__Alice/
      img001.jpg
      img002.jpg
      img003.jpg
    0002__Bob/
      img001.jpg
      img002.jpg

7. Face Swap mode vorsichtig testen

InsightFace Face Swap mode mit Source-, Target- und Result-Panels
Face Swap mode führt einen source-and-target workflow aus, wenn ein kompatibles Modell konfiguriert ist.

Face Swap mode ist ein lokaler source-plus-target workflow. Das target kann ein Bild oder Video sein, das konfigurierte swap model wird nur beim Ausführen eines swaps geladen, und Ergebnisse werden im local workspace gespeichert.

Optionale GFPGAN post-processing kann nach dem Download des third-party model aktiviert werden. Behandeln Sie Face-Swap-Tests als separate authorization path: Vor der Nutzung von source identities oder Veröffentlichung generierter Ergebnisse brauchen Sie passende Rechte, Einwilligung und model permission.

8. Models, Settings, License und Privacy konfigurieren

InsightFace Model Manager dialog für Runtime- und Model-Downloads
Der Models dialog steuert runtime provider, model roots, downloads und optionale swap assets.
InsightFace License Center dialog mit Zusammenfassung zur Code- und Modellnutzung
Das License Center trennt code, model und commercial usage guidance.
InsightFace Settings dialog mit Theme- und Sprachsteuerung
Settings speichern Desktop-Präferenzen im lokalen GUI workspace.

Unter Models wählen Sie runtime model, provider, detection size, swap model, GFPGAN setting, download location und custom model root. Evaluatoren können dort commercial oder private model artifacts getrennt von public model packs verwalten.

Unter License prüfen Sie den Unterschied zwischen code licenses und model licenses. Model files können andere Rechte haben als package code; commercial deployment erfordert die richtige model authorization. InsightFace 1.0.1 entfernt das PyPI package metadata license field, die README license guidance bleibt jedoch die maßgebliche Lektüre.

Alle Verarbeitung erfolgt standardmäßig lokal. Images, videos, embeddings oder reports werden nicht automatisch hochgeladen. Nutzer sind verantwortlich für consent, privacy, retention und compliance mit anwendbaren biometric regulations; diese Anleitung ist praktische Produktdokumentation, keine Rechtsberatung.

9. Nächste Schritte für kommerzielle Nutzung

Kontaktieren Sie InsightFace, wenn Sie commercial model licensing, private model evaluation, SDK/API access, SLA commitments, on-prem delivery oder custom training benötigen. Evaluation Studio ist hilfreich für frühes technical screening, aber production authorization hängt von model, data, use case und deployment contract ab.

  • Nutzen Sie open-source packs für experiments, prototypes und erlaubte deployments innerhalb des license scope.
  • Nutzen Sie private evaluation, wenn Sie stärkere commercial recognition models auf Ihren eigenen identity-folder datasets vergleichen möchten.
  • Behandeln Sie die Verfügbarkeit der GUI nicht als Erlaubnis für commercial model deployment; model authorization muss separat geprüft werden.

Benötigen Sie Hilfe beim Produktions-Deployment?

Kontaktieren Sie InsightFace für Modelllizenzen, Runtime-Optimierung und Deployment-Support für Ihre Zielhardware.

Enterprise-Anfrage senden