研究概览
RetinaFace 专注于真实场景中难检测人脸，同时输出能提升下游对齐质量的关键点。这一组合使其不仅在检测基准中表现优异，也契合下游识别精度依赖一致裁剪与姿态归一化的企业系统。
落地应用
- 识别前的人脸检测与对齐
- 实时视频分析与入口闸机摄像头
- 图像入库、裁剪与人像归一化
- 需要稳定关键点估计的移动端采集流程
代码示例
使用 buffalo_l 进行人脸检测与关键点输出
使用 buffalo_l 检测图片中的所有人脸，并输出每张人脸的边界框与五点关键点，便于后续对齐。
demo.py
1import cv22from insightface.app import FaceAnalysis34app = FaceAnalysis(name="buffalo_l")5app.prepare(ctx_id=0, det_size=(640, 640))67img = cv2.imread("group_photo.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}")核心贡献
在单阶段检测器中同时预测人脸框与五点关键点，简化管线复杂度。
稠密监督与上下文感知设计提升了对小脸、遮挡、模糊和侧脸的鲁棒性。
为识别、质量评估和视频分析工作流提供可靠的对齐信号。