研究概要
SCRFD は学習における重み付けとモデル計算量を再配分することで、必要なところに予算を集中させ効率を高めます。その結果、リアルタイムやエッジでの推論が必要な本番システムに適した、精度とスループットのバランスに優れた検出器ファミリが得られます。
実運用での活用シーン
- エッジ カメラ、キオスク、スマート端末
- モバイル AI アプリ向けのオンデバイス顔検出
- 高スループットな映像前処理パイプライン
- 認識やライブネス解析の前処理としてのサーバー側顔検出
コード例
buffalo_l で SCRFD の検出結果を確認
buffalo_l を読み込み、群衆画像で検出を実行し、本番パイプラインで利用する顔ボックスとキーポイントを出力します。
demo.py
1import cv22from insightface.app import FaceAnalysis34app = FaceAnalysis(name="buffalo_l")5app.prepare(ctx_id=0, det_size=(640, 640))67img = cv2.imread("crowd.jpg")8if img is None:9 raise FileNotFoundError("input image not found")1011faces = app.get(img)1213for index, face in enumerate(faces):14 bbox = face.bbox.astype(int).tolist()15 kps = face.kps.astype(int).tolist()16 print(f"face {index}: bbox={bbox}")17 print(f"face {index}: keypoints={kps}")主な貢献
単純なモデル拡大ではなく、サンプルと計算量の再配分により精度と速度のトレードオフを改善します。
複数の配備階層に対応し、モバイル・組み込み・デスクトップ・サーバーの制約に合った検出器を選択できます。
WIDER FACE で高い性能を維持しながら、リアルタイム推論パイプラインで実用的に動作します。
法人向けお問い合わせ
ビジネスニーズをご相談ください
モデルライセンス、エンタープライズ導入支援、カスタムAI開発、事業提携については InsightFace までお問い合わせください。
ビジネスメールアドレスからのお問い合わせのみ受け付けております。