Разверните распознавание лиц в собственной сети.
Один Linux-контейнер превращается в полноценный backend распознавания лиц: детекция, сравнение, регистрация, точный поиск 1:N и мониторинг камер RTSP/RTSPS через Web UI, REST API и Python SDK.
Выберите вариант модели
От оценки до продакшена без повторной интеграции.
Используйте один и тот же самостоятельно размещаемый Server по мере изменения прав на модель и требований к качеству распознавания.
Начните здесь
Исследовательская оценка
Проверьте работу Server локально с пакетом публичной модели на условиях, применимых к некоммерческим исследованиям.
Начать локальную оценкуПрава для продакшена
Коммерческая лицензия на публичную модель
Продолжайте использовать знакомую публичную предобученную модель, получив отдельное разрешение для одобренного коммерческого развёртывания.
Запросить разрешениеБолее высокая точность
Приватная модель распознавания
Оцените более точную приватную модель на репрезентативных данных для требовательных галерей 1:N масштаба миллионов и десятков миллионов.
Оценить на своих данныхВыведите авторизованную модель в продакшен
Код Server и Python SDK распространяется по лицензии MIT. Для продакшена лицензируйте публичную модель или оцените более точную приватную модель для галерей 1:N масштаба миллионов и десятков миллионов — без изменений интеграции с Server.
Запросить разрешениеОдин самостоятельно размещаемый сервис
Приватность в архитектуре, практичность в работе.
Изображения, embeddings, модели и индексы могут оставаться внутри контролируемой вами инфраструктуры. Многоязычная консоль обращается к тому же публичному API, что и ваши приложения, и не использует CDN, аналитику, удалённые шрифты или сторонний JavaScript.
Детекция
Получайте рамки, пять landmarks, confidence детектора и локальные показатели качества для изображений JPEG, PNG и WebP.
Сравнение
Сравнивайте по одному выбранному лицу из двух изображений с явным порогом и исходным значением косинусного сходства (raw cosine), а не вероятностью.
Регистрация
Организуйте личности в Collections, People и FaceSamples с регистрацией по нескольким изображениям, режимами проверки и явными причинами отказа.
Поиск
Выполняйте полный точный поиск персон 1:N. Ранг каждой персоны определяется её самым близким FaceSample, превышающим порог Collection.
Мониторинг
Запускайте постоянные задачи распознавания RTSP с недавними событиями входа, выхода, ошибки и восстановления, а также необязательным предпросмотром для оператора.
Интеграция
Используйте Web UI, 29 REST-операций, интерактивную справку OpenAPI или лёгкий типизированный клиент Python.
Быстрый старт
От репозитория до первого точного поиска.
Выберите CPU или CUDA, установите пакет модели, проверьте готовность, а затем через Python SDK создайте Collection, зарегистрируйте персону и выполните поиск.
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/healthКлонируйте и установите
Получите исходный код InsightFace и установите пакет модели отдельно от образа Server.
Запустите одну среду
Используйте стек CPU для оценки или CUDA 12 для поиска и инференса на GPU.
Подтвердите готовность
Проверьте /v1/health, затем убедитесь, что база данных, модель и Provider выполнения готовы.
Выполните первый поиск
Создайте Collection, зарегистрируйте одну персону и выполните запрос по другому изображению через Python.
CPU
Linux x86_64 с Docker Engine и Docker Compose. Практичный вариант для оценки и умеренной нагрузки.
NVIDIA CUDA 12
Добавьте поддерживаемую NVIDIA GPU, драйвер и NVIDIA Container Toolkit. При ошибке запуск завершается вместо незаметного перехода на CPU.
Границы развёртывания
Конвейер распознавания
От изображения до ранжированного совпадения.
Один и тот же явный контракт обработки используется консолью, REST API, Python SDK и RTSP-мониторами.
Изображение или RTSP-кадр
JPEG, PNG, WebP или самый свежий кадр камеры.
Многоразмерный SCRFD
Обнаружение лиц, объединение кандидатов и единый глобальный NMS.
Выравнивание и embedding
Выравнивание по пяти точкам, embedding ArcFace и L2-нормализация.
Collection, привязанная к модели
Фиксирует модель, предобработку, детектор, порог и ёмкость.
Точный поиск на CPU/GPU
Полностью оценивает каждый активный FaceSample в выбранном профиле.
Совпадения персон
Возвращает ранжированных персон с исходными cosine-score и идентификаторами запросов.
SQLite остаётся авторитетным источником
Постоянная база данных служит источником истины, а точные индексы в памяти являются перестраиваемыми проекциями. Принятые регистрации добавляются в индекс до возврата успешного ответа, а удаления выполняются в обоих хранилищах.
Явные контракты идентичностей
Collections чётко разделяют модели, политики и данные.
Каждая Collection фиксирует идентичность модели, версию предобработки, размерность embedding, политику детектора, профиль поиска, ёмкость и порог совпадения. Этот контракт предотвращает незаметное смешение при смене модели или runtime.
- Добавляйте несколько FaceSamples для одной персоны и проверяйте результаты частично успешной регистрации, не теряя весь пакет.
- Выберите режим проверки off, standard или strict, чтобы контролировать число и размер лиц, резкость, яркость, позу и сходство внутри одной персоны.
- Подключите доверенный внешний конвейер embeddings через контракт Collection; изображения всё равно проходят детекцию и проверку.
- При необходимости сохраняйте crop рамки 112×112 для каждого принятого лица. Исходные загрузки и выровненные входы распознавания не сохраняются.
Измеренная производительность поиска
Точный поиск в масштабе одного GPU.
Нативные профили полного точного поиска позволяют выбирать баланс между точностью представления векторов, ёмкостью и пропускной способностью без перехода на приближённый индекс ближайших соседей.
Измеренный максимум для 512-мерных векторов на одной RTX 5090.
Измерено ровно на 10M векторов при одном одновременно выполняемом запросе.
Измеренная пропускная способность полного точного поиска Top-5 на 10M векторов.
Измеренный множитель пропускной способности INT8 Top-5 на той же видеокарте.
| Тип данных GPU | Максимум векторов | 10M Top-5 p50 | 10M последовательных QPS |
|---|---|---|---|
| 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 |
INT8-квантование признаков
В опубликованном тесте MR-ALL не наблюдалось существенной потери точности.
Измерено на одной NVIDIA GeForce RTX 5090. Ёмкость — изолированный предел нативного индекса без загруженных ONNX-моделей и нагрузки Server. Скорость измерена ровно на 10M 512-мерных векторов изображений: полный точный Top-5 в памяти GPU, один запрос одновременно, 10 прогревов и 100 измеренных запросов. В production необходимо резервировать VRAM для моделей, запросов, параллельности, перестроения индекса и запаса аллокатора. Поиск точен внутри каждого сохранённого представления, но хранение с пониженной точностью всё же может изменить score и ранжирование относительно FP32.
Приватные модели
Для больших галерей недостаточно быстрого индекса.
Ёмкость индекса решает задачу масштаба поиска. Качество распознавания на строгих рабочих точках определяет, пригодна ли большая галерея 1:N на практике. Компании, соответствующие критериям, могут сравнить приватную модель с базовой публичной до лицензирования.
Используйте репрезентативные данные для валидации, полученные на законных основаниях. Доступ к оценке и её объём согласовываются с компаниями, соответствующими критериям.
Более высокое качество распознавания
Оцените сложные условия съёмки и строгие целевые показатели ложных совпадений на репрезентативных данных.
Те же Server и API
Замените авторизованный пакет модели без переработки интеграции с REST или Python.
Офлайн-авторизация с подписью
Приватные пакеты могут использовать тот же манифест и формат подписанной офлайн-лицензии.
Права на коммерческое развёртывание
Закрепите права на модель для одобренного продукта, среды и сценария промышленной эксплуатации.
Постоянные RTSP-мониторы
Мониторинг камер, работающий без браузера.
Создавайте серверные Monitors для источников RTSP или RTSPS, настраивайте частоту инференса и подтверждение событий, а затем позволяйте независимым клиентам опрашивать текущее состояние и недавние события. Закрытие консоли не останавливает распознавание, а включённые Monitors возобновляются после перезапуска Server. Кадры никогда не записываются; недавние события ограничены по числу и не сохраняются постоянно, а предпросмотр по умолчанию выключен.
Используйте распознавание как вспомогательный инструмент оператора, а не как единственное основание для решений с серьёзными последствиями. Определите политики согласия, хранения, удаления, проверки и реагирования на инциденты для каждого развёртывания.
Эксплуатация и безопасность
Чёткая граница, которую можно усилить.
Server предоставляет состояние, необходимое для эксплуатации приватного развёртывания, не раскрывая секреты, изображения, embeddings и учётные данные в диагностике.
Встроено в InsightFace Server
Готовность и диагностика
Проверяйте сервис, базу данных, модель, Provider, ёмкость и недавние безопасные сводки ошибок.
Строгая проверка CUDA
При запуске проверяются фактический Provider, sessions, библиотеки, совместимость GPU и прогревочный инференс.
Надёжная граница данных
Держите модели в режиме только для чтения, сохраняйте /data и перестраивайте одноразовые точные индексы из SQLite.
Защищённые учётные данные
Хешируйте API-ключ, шифруйте учётные данные RTSP в /data и скрывайте источники в ответах.
Режим только API
Отключите консоль и руководства, сохранив /v1 и /openapi.json для приватных сервисов.
Завершите защитный контур продакшена
Поставляемые Compose-файлы предназначены для оценки в изолированной среде. Перед открытием доступа к промышленному сервису добавьте меры контроля, необходимые для вашей сети и модели управления.
Руководства по внедрению
От первого контейнера до рабочей интеграции.
Используйте краткое руководство для первого приватного развёртывания, а затем переходите к работе с API и Python SDK, когда будете готовы подключить приложение.
Часто задаваемые вопросы
Спланируйте развёртывание и лицензию на модель.
Практические ответы, которые нужны командам до оценки и перехода в продакшен.
Можно ли использовать InsightFace Server бесплатно?+
Исходный код Server и Python SDK распространяются по лицензии MIT. Для файлов моделей действуют отдельные условия, поэтому доступность кода не предоставляет права на коммерческое использование моделей.
Входят ли модели распознавания в контейнер?+
Нет. Пакеты моделей устанавливаются и проверяются отдельно, чтобы однозначно фиксировать идентификатор модели, версию и статус авторизации.
Можно ли использовать публичные предобученные модели InsightFace в коммерческих целях?+
Пакеты публичных предобученных моделей обычно предназначены только для некоммерческих академических исследований, если InsightFace не предоставил отдельное коммерческое разрешение.
Нужна ли новая интеграция для приватной или коммерчески лицензированной модели?+
Нет. Авторизованные пакеты моделей используют те же Server, Web UI, REST API, Python SDK, манифест и процесс установки.
Может ли InsightFace Server работать офлайн?+
Да. После установки образа контейнера и пакета модели обычный запуск и работа Server могут проходить без подключения к сети внутри вашей инфраструктуры.
Что означает показатель ёмкости 58.9M?+
Это измеренный предел нативного индекса для 512-мерных INT8-векторов изображений на одной RTX 5090. Это не количество людей и не сквозная ёмкость API.
Поиск 1:N точный или приближённый?+
В выбранном сохранённом представлении выполняется полный точный плоский поиск, а не поиск по приближённому индексу ближайших соседей.
Какое оборудование поддерживается для развёртывания?+
Поставляемое развёртывание предназначено для Linux x86_64 с локальным инференсом на CPU или поддерживаемой NVIDIA GPU через стек CUDA 12.
Проверьте рабочий процесс, а затем выберите подходящую модель.
Выполните первый точный поиск локально. Когда будете готовы к продакшену, авторизуйте публичную модель или оцените более точную приватную модель без повторной интеграции.
Код Server и SDK распространяется по лицензии MIT. Права на модели для продакшена лицензируются отдельно.