研究概览
SCRFD 通过重新分配训练侧重点与模型算力，将预算集中在最需要的位置，从而提升整体效率。最终形成一个在精度与吞吐之间取得良好平衡的检测器家族，适合需要实时或边缘推理的生产系统。
落地应用
- 边缘相机、自助终端与智能终端设备
- 面向移动 AI 应用的端侧人脸检测
- 高吞吐视频预处理管线
- 识别或活体分析前的服务端人脸定位
代码示例
使用 buffalo_l 查看 SCRFD 检测结果
加载 buffalo_l，在多人场景图片上执行检测，并输出生产流程中常用的人脸框与关键点结果。
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}")核心贡献
通过样本与算力的再分配改善精度-速度权衡，而不是简单堆叠模型参数。
支持多档部署，便于团队选择匹配移动端、嵌入式、桌面端或服务器场景的检测器。
在 WIDER FACE 上保持优异性能的同时，依然适用于实时推理管线。