PrivateFrameLokale VideoverarbeitungDesktop · CLI · PythonWeichzeichnung & Mosaik

PrivateFrame — Installations- und Bedienungsanleitung

Starten Sie mit der Desktop-App, automatisieren Sie einen Videoablauf oder integrieren Sie die Verarbeitung in Python.

2026-09-08•8 Min. Lesezeit

Was Sie umsetzen

Erkennen und verfolgen Sie Gesichter in Ihren Videos und machen Sie sie direkt auf Ihrem Gerät durch Weichzeichnung oder Mosaik unkenntlich. Wählen Sie alle Personen aus oder bestimmen Sie anhand von Referenzfotos, wer sichtbar bleibt.

Für den kommerziellen Einsatz mit vortrainierten InsightFace-Modellen ist eine separate kommerzielle Modelllizenz erforderlich.

Videodemo

PrivateFrame in Aktion erleben.

Sehen Sie, wie Gesichter über verschiedene Szenen hinweg verfolgt und mit gaußscher Weichzeichnung oder Mosaik unkenntlich gemacht werden.

Tatsächliches PrivateFrame-Ergebnis. Prüfen Sie das bearbeitete Video vor dem Teilen.

Video öffnen

Musik: Tears in Rain von Scott Buckley · CC BY 4.0. Ausschnitt, abgemischt.

Vor dem Start

Python 3.10+ und ein aktualisierter InsightFace-Quellcode mit python-package/insightface/app/privateframe/ sind erforderlich. Führen Sie die Installationsbefehle im Stammverzeichnis dieses Repositorys aus. Dieser Leitfaden verwendet den aktualisierten Quellcode; ältere Checkouts oder veröffentlichte Pakete enthalten PrivateFrame möglicherweise noch nicht.
Ein lokales Video und ein Ausgabeordner. Ersetzen Sie die Pfade /data/... durch Pfade auf Ihrem Gerät. Verwenden Sie für jedes Beispiel einen anderen Ausgabeordner, um die Ergebnisse getrennt aufzubewahren.
Die Videoverarbeitung läuft nach Installation der Abhängigkeiten und Modelle lokal. Videos und Referenzfotos werden zur Verarbeitung nicht hochgeladen. Fehlende Modelle werden gegebenenfalls bei der ersten Verwendung heruntergeladen.

1. Installations- und Bedienungsanleitung

Python 3.10+ und ein aktualisierter InsightFace-Quellcode mit python-package/insightface/app/privateframe/ sind erforderlich. Führen Sie die Installationsbefehle im Stammverzeichnis dieses Repositorys aus. Dieser Leitfaden verwendet den aktualisierten Quellcode; ältere Checkouts oder veröffentlichte Pakete enthalten PrivateFrame möglicherweise noch nicht.

Erfordert Python 3.10+. Installieren Sie die Software gemäß der Anleitung aus dem aktualisierten Repository. Beim ersten Start müssen gegebenenfalls Modelle heruntergeladen werden. Die bereitgestellten vortrainierten Modelle sind ausschließlich zur Evaluierung für nichtkommerzielle Forschung bestimmt. Erwerben Sie vor einem kommerziellen Einsatz eine Modelllizenz.

Desktop-App

python -m pip install "./python-package[gui]"

Kommandozeile / Python API

python -m pip install "./python-package[privateframe]"
insightface-privateframe --help

2. Desktop-App

Öffnen Sie den PrivateFrame-Ablauf in InsightFace Evaluation Studio. Wählen Sie Video, Einstellungen und Ausgabeordner aus.

Öffnen Sie PrivateFrame in der InsightFace-Desktop-App oder übergeben Sie ein Video an die CLI oder Python API.
Wählen Sie einen Auswahlmodus, fügen Sie bei Bedarf Referenzfotos hinzu und entscheiden Sie sich für Weichzeichnung oder Mosaik.
Exportieren Sie ein neues Video und eine wiederverwendbare Analyse-JSON. Prüfen Sie das Ergebnis vor dem Teilen.

Desktop-App

insightface-gui

3. Kommandozeile — Wählen Sie, wer unkenntlich wird

Verarbeiten Sie ein Video mit einem Befehl oder trennen Sie Analyse und Rendering für die Prüfung und wiederholte Exporte.

Legen Sie für die Fotomodi deutliche JPG-, JPEG-, PNG- oder WebP-Fotos mit jeweils einer Person direkt in einen Referenzordner. Pro Foto wird nur das größte erkannte Gesicht verwendet. Beide Fotomodi benötigen mindestens ein verwendbares Referenzgesicht. Nicht zugeordnete oder unsichere Gesichter bleiben bei blur_only sichtbar und werden bei exempt gemäß der Standardregel unkenntlich gemacht.

Alle Gesichter unkenntlich machen: Machen Sie jedes erkannte Gesicht unkenntlich. Referenzfotos und Identitätsabgleich sind nicht erforderlich.
Ausgewählte Personen unkenntlich machen: Machen Sie Personen unkenntlich, die Ihren Referenzfotos zugeordnet werden, und lassen Sie andere Personen sichtbar.
Ausgewählte Personen sichtbar lassen: Lassen Sie zugeordnete Personen sichtbar und machen Sie nicht zugeordnete oder unsichere Gesichter unkenntlich.

Alle Gesichter unkenntlich machen

insightface-privateframe process \
  --input /data/video.mp4 --output-dir /data/all

Ausgewählte Personen unkenntlich machen

insightface-privateframe process \
  --input /data/video.mp4 --output-dir /data/selected \
  --recognition.mode blur_only \
  --recognition.reference_dir /data/reference_photos

Ausgewählte Personen sichtbar lassen

insightface-privateframe process \
  --input /data/video.mp4 --output-dir /data/exempt \
  --recognition.mode exempt \
  --recognition.reference_dir /data/reference_photos

4. Einmal analysieren, erneut rendern

Verwenden Sie die Analyse-JSON erneut, um Rendereinstellungen zu ändern oder Gesichtsrahmen zu bearbeiten, ohne Erkennung und Identitätsabgleich zu wiederholen.

Ja. Bewahren Sie Originalvideo und Analyse-JSON auf, um mit anderen Einstellungen für Weichzeichnung, Mosaik oder Kodierung erneut zu rendern. Sie können auch Gesichtsrahmen in der JSON bearbeiten. Änderungen an Gesichtserkennung oder Identitätsabgleich erfordern eine neue Analyse.

analyze

insightface-privateframe analyze \
  --input /data/video.mp4 --output-dir /data/review

render · mosaic

insightface-privateframe render \
  --input /data/video.mp4 \
  --result /data/review/video_privateframe.json \
  --redacted /data/review/video_mosaic.mp4 \
  --render.redaction.method mosaic

5. Python API

Integrieren Sie Analyse und Rendering mit Rückrufen für Fortschritt und Abbruch in Ihre eigene Anwendung.

Python API

from insightface.app.privateframe import (
    analyze_streaming_pipeline,
    default_output_paths,
    render_streaming_artifacts,
)
from insightface.app.privateframe.base_config import DEFAULT_CONFIG_PATH

paths = default_output_paths("/data/video.mp4", "/data/python_output")

analysis = analyze_streaming_pipeline(
    config_path=DEFAULT_CONFIG_PATH,
    input_path=paths.source,
    workdir=paths.workdir,
    result_path=paths.result_json,
)

rendered = render_streaming_artifacts(
    input_path=paths.source,
    result_path=paths.result_json,
    redacted_path=paths.result_video,
    config_overrides={"render.redaction.method": "mosaic"},
)

6. Verarbeiten, prüfen und teilen

Exportieren Sie ein neues Video und eine wiederverwendbare Analyse-JSON. Prüfen Sie das Ergebnis vor dem Teilen.

Der Fotoabgleich kann Personen übersehen. Prüfen Sie Ergebnisse mit Personenauswahl vor dem Teilen; im Modus für ausgewählte Personen kann eine nicht zugeordnete Zielperson sichtbar bleiben.

Nein. Erkennung, Verfolgung und Zuordnung können Gesichter übersehen oder Fehler machen. Prüfen Sie das exportierte Video, insbesondere kurze Auftritte, Szenenschnitte und Verdeckungen. Das Unkenntlichmachen von Gesichtern verbirgt keine Stimmen, Namen, Kleidung oder andere identifizierende Merkmale.

7. Kann ich PrivateFrame kommerziell nutzen?

Der InsightFace-Code steht unter der MIT-Lizenz. Die vom Projekt bereitgestellten vortrainierten Modelle sind für nichtkommerzielle Forschung bestimmt; für die kommerzielle Nutzung ist eine entsprechende Modellautorisierung erforderlich. Kontaktieren Sie uns, um Ihre Bereitstellung zu besprechen.

Integrieren Sie Gesichtsschutz in Ihre Videoabläufe.

Für den kommerziellen Einsatz mit vortrainierten InsightFace-Modellen ist eine separate Modelllizenz erforderlich. Der Code steht unter der MIT-Lizenz; für Code und Modelle gelten jeweils eigene Lizenzen.

Kommerzielle Lizenz anfragen