Aloje o reconhecimento facial na sua própria rede.
Transforme um único contentor Linux num backend completo de reconhecimento facial: deteção, comparação, registo, pesquisa 1:N exata e monitorização de câmaras RTSP/RTSPS através de Web UI, REST API e SDK Python.
Escolha o percurso do seu modelo
Da avaliação à produção sem refazer a integração.
Use sempre o mesmo Server auto-hospedado à medida que evoluem os direitos do modelo e os requisitos de reconhecimento.
Comece aqui
Avaliação para investigação
Valide localmente o fluxo do Server com um pacote de modelo público ao abrigo dos termos aplicáveis à investigação não comercial.
Iniciar avaliação localDireitos de produção
Licença comercial de modelo público
Continue a utilizar um modelo público pré-treinado conhecido e obtenha autorização separada para uma implantação comercial aprovada.
Solicitar autorizaçãoMaior precisão
Modelo privado de reconhecimento
Avalie um modelo privado de maior precisão com dados representativos para galerias 1:N exigentes à escala de milhões e dezenas de milhões.
Avaliar com os seus dadosLeve um modelo autorizado para produção
O código do Server e do SDK Python usa a licença MIT. Para produção, licencie um modelo público ou avalie um modelo privado de maior precisão para galerias 1:N à escala de milhões e dezenas de milhões — sem alterar a integração com o Server.
Solicitar autorizaçãoUm serviço auto-hospedado
Privado por arquitetura, prático por conceção.
Imagens, embeddings, modelos e índices podem permanecer na infraestrutura que controla. A consola multilingue usa a mesma API pública que as suas aplicações e não recorre a CDN, analytics, fontes remotas nem JavaScript de terceiros.
Detetar
Obtenha bounding boxes, cinco landmarks, confiança do detetor e sinais locais de qualidade para imagens JPEG, PNG e WebP.
Comparar
Compare um rosto selecionado de duas imagens com limiar explícito e cosine bruto (raw cosine), não uma probabilidade.
Registar
Organize identidades em Collections, People e FaceSamples, com registo de várias imagens, modos de revisão e motivos explícitos de rejeição.
Pesquisar
Execute pesquisa exaustiva 1:N exata de pessoas. Cada pessoa é ordenada pelo FaceSample com correspondência mais forte acima do limiar da Collection.
Monitorizar
Execute tarefas persistentes de reconhecimento RTSP com eventos recentes de entrada, saída, erro e recuperação, além de pré-visualização opcional para o operador.
Integrar
Use a Web UI, 29 operações REST, a referência OpenAPI interativa ou o cliente Python leve e tipado.
Início rápido
Do repositório à primeira pesquisa exata.
Escolha CPU ou CUDA, instale um pacote de modelo, confirme o estado e use o SDK Python para criar uma Collection, registar uma pessoa e pesquisar.
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
Obtenha o código do InsightFace e instale um pacote de modelo separadamente da imagem do Server.
Iniciar um runtime
Use a stack CPU para avaliação ou CUDA 12 para pesquisa e inferência em GPU.
Confirmar o estado
Consulte /v1/health e confirme que a base de dados, o modelo e o Provider de execução estão prontos.
Executar a primeira pesquisa
Crie uma Collection, registe uma pessoa e pesquise com uma imagem diferente através de Python.
CPU
Linux x86_64 com Docker Engine e Docker Compose. Uma opção prática para avaliação e cargas moderadas.
NVIDIA CUDA 12
Adicione uma GPU NVIDIA compatível, o driver e NVIDIA Container Toolkit. O arranque falha em vez de recuar silenciosamente para CPU.
Limites de implantação
Pipeline de reconhecimento
Da imagem à correspondência ordenada.
O mesmo contrato de processamento explícito é usado pela consola, REST API, SDK Python e monitores RTSP.
Imagem ou fotograma RTSP
JPEG, PNG, WebP ou o fotograma mais recente da câmara.
SCRFD multirresolução
Deteta rostos, combina candidatos e aplica um único NMS global.
Alinhar e criar embedding
Alinhamento por cinco pontos, embedding ArcFace e normalização L2.
Collection ligada ao modelo
Fixa o modelo, pré-processamento, detetor, limiar e capacidade.
Pesquisa exata em CPU/GPU
Avalia exaustivamente cada FaceSample ativo no perfil selecionado.
Correspondências de pessoas
Devolve pessoas ordenadas com scores cosine brutos e IDs de pedido.
O SQLite continua a ser autoritativo
A base de dados persistente é a fonte de verdade; os índices exatos em memória são projeções reconstruíveis. Os registos aceites entram no índice antes da resposta de sucesso e as eliminações são removidas de ambos os armazenamentos.
Contratos de identidade explícitos
As Collections mantêm modelos, políticas e limites de dados claros.
Cada Collection fixa a identidade do modelo, versão de pré-processamento, dimensão do embedding, política do detetor, perfil de pesquisa, capacidade e limiar de correspondência. Este contrato evita misturas silenciosas quando o modelo ou runtime muda.
- Adicione vários FaceSamples por pessoa e inspecione resultados de registo parcialmente bem-sucedidos sem perder todo o lote.
- Escolha revisão off, standard ou strict para verificar número de rostos, tamanho, nitidez, brilho, pose e consistência dentro da pessoa.
- Ligue um pipeline externo de embeddings fidedigno através do contrato de embedding da Collection; as imagens continuam a passar por deteção e revisão.
- Opcionalmente, guarde um crop de bounding box 112×112 por rosto aceite. Os uploads originais e as entradas alinhadas de reconhecimento não são guardados.
Desempenho de pesquisa medido
Pesquisa exata à escala de uma única GPU.
Os perfis nativos de pesquisa exaustiva permitem equilibrar precisão vetorial, capacidade e throughput sem mudar para um índice aproximado de vizinhos mais próximos.
Máximo medido para vetores de 512 dimensões numa RTX 5090.
Medido com exatamente 10M vetores e uma pesquisa em curso.
Throughput medido de pesquisa Top-5 exaustiva exata em 10M vetores.
Multiplicador medido de throughput Top-5 INT8 na mesma GPU.
| Tipo de dados GPU | Máximo de vetores | 10M Top-5 p50 | 10M QPS em série |
|---|---|---|---|
| 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 |
Quantização INT8 de características
Não se observou perda material de precisão no benchmark MR-ALL publicado.
Medido numa NVIDIA GeForce RTX 5090. A capacidade é o limite isolado do índice nativo, sem modelos ONNX carregados nem carga do Server. A velocidade usa exatamente 10M vetores de imagem de 512 dimensões, Top-5 exaustivo exato residente na GPU, uma pesquisa em curso, 10 warm-ups e 100 pesquisas medidas. Em produção, reserve VRAM para modelos, pedidos, concorrência, reconstruções do índice e margem do allocator. A pesquisa é exata dentro de cada representação armazenada; o armazenamento de menor precisão ainda pode alterar scores e ordenações face a FP32.
Modelos privados
Grandes galerias exigem mais do que um índice mais rápido.
A capacidade do índice resolve a escala da pesquisa. A qualidade do reconhecimento em pontos operacionais exigentes determina se uma grande galeria 1:N é realmente utilizável. As equipas elegíveis podem comparar um modelo privado com uma referência de modelo público antes do licenciamento.
Use dados de validação representativos e obtidos legalmente. O acesso à avaliação e o respetivo âmbito são confirmados com as equipas elegíveis.
Maior qualidade de reconhecimento
Avalie condições de imagem difíceis e metas rigorosas de falsas correspondências com dados representativos.
O mesmo Server e a mesma API
Mude o pacote de modelo autorizado sem refazer a integração REST ou Python.
Autorização offline assinada
Os pacotes privados podem usar o mesmo manifesto e formato de licença offline assinada.
Direitos de implantação comercial
Defina os direitos do modelo para o produto, ambiente e caso de utilização em produção aprovados.
Monitores RTSP persistentes
Monitorização de câmaras que funciona sem o browser.
Crie Monitors no servidor para fontes RTSP ou RTSPS, ajuste a cadência de inferência e a confirmação de eventos, e permita que clientes independentes consultem o estado atual e eventos recentes. Fechar a consola não para o reconhecimento e os Monitors ativos retomam após reiniciar o Server. Os fotogramas nunca são gravados; os eventos recentes são limitados e não persistentes, e a pré-visualização está desligada por predefinição.
Use o reconhecimento como apoio ao operador, não como único controlo para decisões de alto impacto. Defina políticas de consentimento, retenção, eliminação, revisão e resposta a incidentes para cada implantação.
Operação e segurança
Um limite claro que pode reforçar.
O Server expõe o estado necessário para operar uma implantação privada, mantendo segredos, imagens, embeddings e credenciais fora do diagnóstico.
Incluído no InsightFace Server
Estado e diagnóstico
Verifique serviço, base de dados, modelo, Provider, capacidade e resumos recentes de erros sem dados sensíveis.
Validação estrita de CUDA
Valide o Provider real, Sessions, bibliotecas, compatibilidade da GPU e inferência de warm-up ao arrancar.
Limite de dados persistente
Mantenha os modelos só de leitura, persista /data e reconstrua índices exatos descartáveis a partir do SQLite.
Credenciais protegidas
Guarde a chave API como hash, encripte credenciais RTSP em /data e oculte origens nas respostas.
Modo apenas API
Desative a consola e os guias, mantendo /v1 e /openapi.json para serviços privados.
Complete o limite de produção
Os ficheiros Compose fornecidos destinam-se a avaliação em ambiente isolado. Antes de expor um serviço de produção, adicione os controlos exigidos pela sua rede e pelo seu modelo de governação.
Guias de implementação
Do primeiro contentor a uma integração funcional.
Use o início rápido focado para a sua primeira implantação privada e avance para o fluxo de API e SDK Python quando estiver pronto para ligar uma aplicação.
Perguntas frequentes
Planeie a implantação e a licença do modelo.
As respostas práticas de que as equipas precisam antes da avaliação e da produção.
O InsightFace Server é gratuito?+
O código-fonte do Server e o SDK Python usam a licença MIT. Os ficheiros de modelos têm termos separados, pelo que a disponibilidade do código não concede direitos comerciais sobre os modelos.
Os modelos de reconhecimento estão incluídos no contentor?+
Não. Os pacotes de modelos são instalados e verificados separadamente, mantendo explícitas a identidade, a versão e a autorização do modelo.
Os modelos públicos pré-treinados do InsightFace podem ser usados comercialmente?+
Os pacotes de modelos públicos pré-treinados estão geralmente limitados à investigação académica não comercial, salvo autorização comercial separada concedida pela InsightFace.
Um modelo privado ou licenciado comercialmente exige uma nova integração?+
Não. Os pacotes de modelos autorizados usam o mesmo Server, Web UI, REST API, SDK Python, manifesto e fluxo de instalação.
O InsightFace Server pode funcionar offline?+
Sim. Depois de instalar a imagem do contentor e o pacote de modelo, o arranque e funcionamento normais do Server podem permanecer offline dentro da sua infraestrutura.
O que significa a capacidade de 58.9M?+
É o limite medido do índice nativo para vetores de imagem INT8 de 512 dimensões numa RTX 5090. Não é uma contagem de pessoas nem a capacidade ponta a ponta da API.
A pesquisa 1:N é exata ou aproximada?+
A pesquisa é plana, exaustiva e exata na representação armazenada selecionada, não utiliza um índice aproximado de vizinhos mais próximos.
Que hardware de implantação é suportado?+
A implantação fornecida destina-se a Linux x86_64 com inferência em CPU local ou numa GPU NVIDIA compatível através da stack CUDA 12.
Valide o fluxo e escolha o modelo certo.
Execute localmente a primeira pesquisa exata. Quando estiver pronto para produção, autorize um modelo público ou avalie um modelo privado de maior precisão sem refazer a integração.
O código do Server e do SDK usa a licença MIT. Os direitos dos modelos para produção são licenciados separadamente.