Aloje el reconocimiento facial dentro de su propia red.
Convierta un único contenedor Linux en un backend completo de reconocimiento facial: detecte, compare, registre, ejecute búsquedas exactas 1:N y monitorice cámaras RTSP/RTSPS mediante una Web UI, una API REST y un SDK Python.
Elija su modelo
De la evaluación a la producción sin rehacer la integración.
Utilice el mismo Server autohospedado mientras evolucionan los derechos del modelo y sus requisitos de reconocimiento.
Empiece aquí
Evaluación para investigación
Valide localmente el flujo del Server con un paquete de modelo público conforme a sus condiciones aplicables de investigación no comercial.
Iniciar una evaluación localDerechos de producción
Licencia comercial de modelo público
Mantenga un modelo público preentrenado conocido y obtenga una autorización independiente para un despliegue comercial aprobado.
Solicitar autorizaciónMayor precisión
Modelo privado de reconocimiento
Evalúe un modelo privado de mayor precisión con datos representativos para galerías 1:N exigentes de millones o decenas de millones de identidades.
Evaluar con sus datosLleve un modelo autorizado a producción
El código del Server y del SDK Python tiene licencia MIT. Para producción, obtenga una licencia para un modelo público o evalúe un modelo privado de mayor precisión para galerías 1:N de millones o decenas de millones de identidades, sin cambiar la integración con el Server.
Solicitar autorizaciónUn servicio autohospedado
Privado por arquitectura, práctico por diseño.
Imágenes, embeddings, modelos e índices pueden permanecer dentro de la infraestructura que controla. La consola multilingüe utiliza la misma API pública que sus aplicaciones, sin CDN, analítica, fuentes remotas ni JavaScript de terceros.
Detectar
Devuelve bounding boxes, cinco landmarks, confianza del detector y señales locales de calidad para imágenes JPEG, PNG y WebP.
Comparar
Compara un rostro seleccionado de cada una de dos imágenes con un umbral explícito y la similitud coseno original, no una probabilidad.
Registrar
Organiza identidades como Collections, People y FaceSamples, con registro de varias imágenes, modos de revisión y motivos explícitos de rechazo.
Buscar
Ejecuta una búsqueda exhaustiva 1:N de personas. Cada Person se ordena según el FaceSample coincidente más fuerte por encima del umbral de la Collection.
Monitorizar
Ejecuta tareas persistentes de reconocimiento RTSP con eventos recientes de entrada, salida, error y recuperación, además de una vista previa opcional para el operador.
Integrar
Utilice la Web UI, 29 operaciones REST, la referencia OpenAPI interactiva o el cliente Python ligero y tipado.
Inicio rápido
Del repositorio a la primera búsqueda exacta.
Elija CPU o CUDA, instale un paquete de modelo, compruebe que todo esté listo y utilice el SDK Python para crear una Collection, registrar una persona y buscarla.
git clone https://github.com/deepinsight/insightface.git
cd insightface
mkdir -p server/.models
export INSIGHTFACE_MODELS_UID="$(id -u)"
export INSIGHTFACE_MODELS_GID="$(id -g)"
docker compose -f server/deploy/compose.cpu.yml pull
docker compose -f server/deploy/compose.cpu.yml \
run --rm models install buffalo_l --accept-license
docker compose -f server/deploy/compose.cpu.yml \
run --rm models verify buffalo_l
docker compose -f server/deploy/compose.cpu.yml \
up -d --wait --wait-timeout 180
curl -fsS http://127.0.0.1:18097/v1/healthClonar e instalar
Clone InsightFace e instale un paquete de modelo por separado de la imagen del Server.
Iniciar un runtime
Utilice el stack de CPU para evaluación o CUDA 12 para búsqueda e inferencia en GPU.
Confirmar que está listo
Compruebe /v1/health y confirme que la base de datos, el modelo y el proveedor de ejecución estén listos.
Ejecutar la primera búsqueda
Cree una Collection, registre una persona y consulte con una imagen diferente mediante Python.
CPU
Linux x86_64 con Docker Engine y Docker Compose. Una opción práctica para evaluación y cargas moderadas.
NVIDIA CUDA 12
Añada una GPU NVIDIA compatible, su driver y NVIDIA Container Toolkit. El inicio falla en lugar de hacer fallback silencioso a CPU.
Límite del despliegue
Pipeline de reconocimiento
De la imagen a la coincidencia ordenada.
El mismo contrato de procesamiento explícito sustenta la consola, la REST API, el SDK Python y los monitores RTSP.
Imagen o frame RTSP
JPEG, PNG, WebP o el frame más reciente de la cámara en directo.
SCRFD multirresolución
Detectar rostros, combinar candidatos y aplicar un único NMS global.
Alinear y generar embeddings
Alineación de cinco puntos, embedding ArcFace y normalización L2.
Collection vinculada al modelo
Fijar modelo, preprocesamiento, detector, umbral y capacidad.
Búsqueda exacta CPU/GPU
Puntuar exhaustivamente cada FaceSample activo del perfil seleccionado.
Coincidencias de personas
Devolver personas ordenadas con puntuaciones coseno originales e IDs de petición.
SQLite sigue siendo la fuente autoritativa
La base de datos persistente es la fuente de verdad; los índices exactos en memoria son proyecciones reconstruibles. Los registros aceptados se añaden al índice antes de devolver una respuesta correcta y los borrados se eliminan de ambos almacenes.
Contratos de identidad explícitos
Las Collections mantienen claros los modelos, las políticas y los límites de datos.
Cada Collection fija la identidad del modelo, la versión de preprocesamiento, la dimensión del embedding, la política del detector, el perfil de búsqueda, la capacidad y el umbral de coincidencia. Este contrato evita mezclar datos silenciosamente cuando cambia un modelo o runtime.
- Añada varios FaceSamples por Person e inspeccione los resultados parciales del registro en lugar de perder todo un lote.
- Elija off, standard o strict para aplicar comprobaciones de cantidad, tamaño, nitidez, brillo y pose del rostro, además de verificaciones dentro de una misma Person.
- Conecte un pipeline de embeddings upstream de confianza mediante el contrato de embeddings de la Collection; las imágenes siguen pasando por detección y revisión.
- Guarde opcionalmente un recorte de bounding box de 112×112 por cada rostro aceptado. Los originales y las entradas alineadas de reconocimiento no se conservan.
Prueba de búsqueda medida
Búsqueda exacta a escala de una sola GPU.
Los perfiles nativos de búsqueda exhaustiva permiten intercambiar precisión vectorial por capacidad y rendimiento sin cambiar a un índice aproximado de vecinos más cercanos.
Máximo medido para vectores de 512 dimensiones en una RTX 5090.
Medido con exactamente 10M vectores y una consulta en curso.
Rendimiento medido de búsqueda exhaustiva Top-5 con 10M vectores.
Multiplicador medido del rendimiento Top-5 de INT8 en la misma GPU.
| Tipo de datos GPU | Máximo de vectores | 10M Top-5 p50 | 10M QPS serial |
|---|---|---|---|
| FP32 | 15.8M | 12.84 ms | 77.85 |
| FP16 | 30.7M | 6.83 ms | 146.32 |
| BF16 | 30.7M | 6.83 ms | 146.33 |
| INT8 | 58.9M | 3.84 ms | 260.81 |
Cuantización INT8 de características
No se observó una pérdida significativa de precisión en el benchmark MR-ALL publicado.
Mediciones realizadas en una NVIDIA GeForce RTX 5090. La capacidad es el límite aislado del índice nativo, sin modelos ONNX cargados ni carga del Server. La velocidad utiliza exactamente 10M vectores de imagen de 512 dimensiones, búsqueda exhaustiva Top-5 residente en GPU, una consulta en curso, 10 calentamientos y 100 consultas medidas. Los despliegues de producción deben reservar VRAM para modelos, peticiones, concurrencia, reconstrucciones del índice y margen del allocator. La búsqueda es exacta dentro de cada representación almacenada; el almacenamiento de menor precisión aún puede cambiar puntuaciones y posiciones respecto a FP32.
Modelos privados
Las galerías grandes necesitan más que un índice rápido.
La capacidad del índice resuelve la escala de búsqueda. La calidad de reconocimiento en puntos operativos exigentes determina si una galería 1:N de gran tamaño es realmente utilizable. Los equipos que cumplan los requisitos pueden comparar un modelo privado con la referencia de un modelo público antes de adquirir la licencia.
Utilice datos de validación representativos y obtenidos legalmente. El acceso y el alcance de la evaluación se confirman con los equipos que cumplan los requisitos.
Mayor calidad de reconocimiento
Evalúe condiciones de imagen difíciles y objetivos estrictos de falsas coincidencias con datos representativos.
El mismo Server y la misma API
Cambie el paquete de modelo autorizado sin rehacer su integración REST o Python.
Autorización firmada sin conexión
Los paquetes privados pueden utilizar el mismo manifiesto y formato de licencia firmada sin conexión.
Derechos de despliegue comercial
Defina los derechos del modelo para el producto, el entorno y el caso de uso de producción aprobados.
Monitores RTSP persistentes
Monitorización de cámaras que funciona sin el navegador.
Cree Monitores en el servidor para fuentes RTSP o RTSPS, ajuste la cadencia de inferencia y la confirmación de eventos, y permita que clientes independientes consulten el estado actual y los eventos recientes. Cerrar la consola no detiene el reconocimiento y los Monitores activados se reanudan tras reiniciar el Server. Los frames nunca se graban; los eventos recientes están acotados y no son persistentes, y la vista previa está desactivada por defecto.
Utilice el reconocimiento como ayuda para el operador, no como único control de una decisión de alto impacto. Defina políticas de consentimiento, retención, borrado, revisión y respuesta a incidentes para cada despliegue.
Operación y seguridad
Un límite claro que puede reforzar.
El Server expone el estado necesario para operar un despliegue privado, manteniendo secretos, imágenes, embeddings y credenciales fuera de los diagnósticos.
Incluido en InsightFace Server
Estado y diagnóstico
Compruebe servicio, base de datos, modelo, proveedor, capacidad y resúmenes seguros de errores recientes.
CUDA fail-fast
Valide al inicio el proveedor real, las sesiones, las librerías, la compatibilidad de GPU y la inferencia de calentamiento.
Límite de datos persistente
Mantenga los modelos en solo lectura, haga persistente /data y reconstruya desde SQLite los índices exactos desechables.
Credenciales protegidas
Aplique hash a la API Key, cifre las credenciales RTSP en /data y oculte las fuentes en las respuestas.
Modo solo API
Desactive la consola y las guías manteniendo /v1 y /openapi.json para servicios privados.
Complete el perímetro de producción
Los archivos Compose incluidos están diseñados para evaluaciones aisladas. Antes de exponer un servicio de producción, añada los controles requeridos por su red y su modelo de gobernanza.
Guías de implementación
Del primer contenedor a una integración funcional.
Utilice el inicio rápido específico para su primer despliegue privado y pase después al flujo de REST API y SDK Python cuando esté listo para conectar una aplicación.
Preguntas frecuentes
Planifique su despliegue y la licencia del modelo.
Respuestas prácticas para los equipos antes de la evaluación y la producción.
¿InsightFace Server es de uso gratuito?+
El código fuente del Server y el SDK Python tienen licencia MIT. Los archivos de modelo se rigen por condiciones independientes, por lo que la disponibilidad del código no concede derechos comerciales sobre los modelos.
¿Los modelos de reconocimiento están incluidos en el contenedor?+
No. Los paquetes de modelo se instalan y verifican por separado para que la identidad, la versión y la autorización del modelo sean explícitas.
¿Se pueden utilizar comercialmente los modelos públicos preentrenados de InsightFace?+
Los paquetes de modelos públicos preentrenados se limitan generalmente a la investigación académica no comercial, salvo que InsightFace conceda una autorización comercial independiente.
¿Un modelo privado o con licencia comercial requiere una nueva integración?+
No. Los paquetes de modelos autorizados utilizan el mismo Server, Web UI, API REST, SDK Python, manifiesto y flujo de instalación.
¿InsightFace Server puede funcionar sin conexión?+
Sí. Una vez instalados la imagen del contenedor y el paquete de modelo, el Server puede arrancar y funcionar normalmente sin conexión dentro de su infraestructura.
¿Qué significa la cifra de capacidad de 58.9M?+
Es el límite medido del índice nativo para vectores de imagen INT8 de 512 dimensiones en una RTX 5090. No representa el número de personas ni la capacidad integral de la API.
¿La búsqueda 1:N es exacta o aproximada?+
La búsqueda es plana, exhaustiva y exacta dentro de la representación almacenada seleccionada; no utiliza un índice aproximado de vecinos más cercanos.
¿Qué hardware de despliegue es compatible?+
El despliegue suministrado está dirigido a Linux x86_64 con inferencia en CPU local o con una GPU NVIDIA compatible mediante el stack CUDA 12.
Valide el flujo y elija después el modelo adecuado.
Ejecute localmente su primera búsqueda exacta. Cuando esté listo para producción, autorice un modelo público o evalúe un modelo privado de mayor precisión sin rehacer la integración.
El código del Server y del SDK tiene licencia MIT. Los derechos de los modelos para producción se conceden por separado.