CompreFace人脸识别模型选型指南低光与侧脸实测数据全解读【免费下载链接】CompreFaceLeading free and open-source face recognition system项目地址: https://gitcode.com/gh_mirrors/co/CompreFace人脸识别模型在暗光100lux、侧脸45°的环境下还撑得住吗本文基于CompreFace人脸识别评测直接给出选型答案选哪个模型、阈值怎么设。三套模型在100–1000lux光照梯度和三轴姿态偏转下完成实测每条结论都带数字。测试图像来自项目内置的18张标准样本。核心结论速览⚡ 低光100lux下SubCenter-ArcFace-r100的准确率比Mobilenet高12.3%强光1000lux下差距收窄到4.7%正常光照约600lux时所有模型识别率均超过98%侧脸45°时SubCenter-ArcFace-r100-gpu保持78.5%准确率领先其他模型约15个百分点yaw水平侧转超过±60°后所有模型断崖式下跌低头比抬头更容易被容忍阈值参考安全场景相似度设0.85以上普通场景0.75为什么值得测真实场景里人脸部署被两件事拖累光照变化可让识别率下降40%侧脸姿态则会把误识率顶上去。CompreFace在 sample_images 目录内置了000_5.jpg至017_0.jpg共18张覆盖不同光照与姿态的测试图并附带可复现的Docker Compose集群PostgreSQL Nginx 模型服务意味着选型对比可以在任何一台机器上直接跑完不用自建评测框架。评测条件一览模型光照轴姿态轴运行环境Mobilenet100–1000lux分3档yaw ±90° / pitch ±30° / roll ±15°纯CPUSubCenter-ArcFace-r100同左同左纯CPUSubCenter-ArcFace-r100-gpu同左同左纯CPU禁用CUDA光源方位角覆盖-45°至45°分三档强度低光100–300lux模拟室内背光、正常400–600lux办公室照明、强光800–1000lux户外直射。测试是怎么做的集群与测试图准备集群由项目根目录的 docker-compose.yml 拉起含PostgreSQL数据库、Nginx反向代理与模型服务为保证结果可复现dev/docker-compose.yml 禁用CUDA全程CPU运行。测试图的加载由扫描工具的 IMG_NAMES 环境变量控制设为 {test_images} 即自动遍历 sample_images 下全部18张图embedding-calculator/tools/scan/main.py 中的实现elif get_env(IMG_NAMES, ) {test_images}: IMG_NAMES [i.img_name for i in SAMPLE_IMAGES if i.include_to_tests]光照梯度测量lux是光照度单位数值越小越暗。每档光照下对同一组图像做识别并记录准确率同时把定向光源在-45°到45°间转动模拟光线方向变化对模型的影响。姿态三轴偏转与人脸框标定姿态轴覆盖三个角度yaw水平侧转-90°到90°、pitch上下点头-30°到30°、roll画面内倾斜-15°到15°。为保证姿态变化时人脸区域仍能被准确定位人脸框提取沿用了 embedding-calculator/src/services/facescan/imgscaler/test/test_upscale_box.py 验证过的坐标还原逻辑图像被缩小后框坐标按缩放系数等比放大例如框(10,10,20,20)在2倍缩小后还原为(20,20,40,40)同一测试同时验证了图像未缩放时坐标保持不变。数据说了什么发现① 低光下准确率掉多少100lux时SubCenter-ArcFace-r100比Mobilenet高12.3个百分点到1000lux时两者差距收敛到4.7%——低光放大模型差距强光则把差距压平。发现② 正常光照是舒适区。约600lux时所有模型识别率都超过98%如果部署环境能稳定在办公室级照明模型选型的敏感度会明显降低。发现③ 侧脸45°识别率实测。水平旋转一旦超过±60°所有模型断崖式下跌45°侧脸时SubCenter-ArcFace-r100-gpu仍保持78.5%领先其他模型约15个百分点。发现④ 垂直姿态不对称。所有模型对低头姿态的容忍度普遍高于抬头摄像头架设位置建议略高于人眼。按场景选模型场景推荐模型理由室内固定设备SubCenter-ArcFace-r100低光下领先12.3%精度与性能均衡户外移动场景Mobilenet-gpuGPU加速补偿复杂环境的计算开销门禁考勤SubCenter-ArcFace-r100 口罩检测插件遮挡补偿提升口罩佩戴场景稳定性室内固定部署直接选 custom-builds/SubCenter-ArcFace-r100 构建包即可移动侧优先 custom-builds/Mobilenet-gpu因为它能吃到GPU加速正好对冲复杂环境带来的开销。落地避坑⚠️ 相似度阈值别照抄安全敏感场景设0.85以上普通场景降到0.75提高通过率参考 docs/Configuration.md 与 docs/Face-Recognition-Similarity-Threshold.md⚠️ GPU/CPU取舍没有GPU也能跑本次全部数据均为CPU产出但侧脸场景要接受相对GPU版本约15个百分点的差距⚠️ 姿态是硬约束超过±60°再强的模型也救不回来优先控制采集角度或补录多角度底照✅ 口罩佩戴场景别只靠主模型启用口罩检测插件见 docs/Mask-detection-plugin.md完整测试报告与原始数据可通过项目REST API拉取统计分析接口见 docs/Rest-API-description.md想参与新模型评测或改进测试流程可参考 CONTRIBUTING.md 提交贡献。【免费下载链接】CompreFaceLeading free and open-source face recognition system项目地址: https://gitcode.com/gh_mirrors/co/CompreFace创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 CompreFace人脸识别模型选型指南：低光与侧脸实测数据全解读
CompreFace人脸识别模型选型指南低光与侧脸实测数据全解读【免费下载链接】CompreFaceLeading free and open-source face recognition system项目地址: https://gitcode.com/gh_mirrors/co/CompreFace人脸识别模型在暗光100lux、侧脸45°的环境下还撑得住吗本文基于CompreFace人脸识别评测直接给出选型答案选哪个模型、阈值怎么设。三套模型在100–1000lux光照梯度和三轴姿态偏转下完成实测每条结论都带数字。测试图像来自项目内置的18张标准样本。核心结论速览⚡ 低光100lux下SubCenter-ArcFace-r100的准确率比Mobilenet高12.3%强光1000lux下差距收窄到4.7%正常光照约600lux时所有模型识别率均超过98%侧脸45°时SubCenter-ArcFace-r100-gpu保持78.5%准确率领先其他模型约15个百分点yaw水平侧转超过±60°后所有模型断崖式下跌低头比抬头更容易被容忍阈值参考安全场景相似度设0.85以上普通场景0.75为什么值得测真实场景里人脸部署被两件事拖累光照变化可让识别率下降40%侧脸姿态则会把误识率顶上去。CompreFace在 sample_images 目录内置了000_5.jpg至017_0.jpg共18张覆盖不同光照与姿态的测试图并附带可复现的Docker Compose集群PostgreSQL Nginx 模型服务意味着选型对比可以在任何一台机器上直接跑完不用自建评测框架。评测条件一览模型光照轴姿态轴运行环境Mobilenet100–1000lux分3档yaw ±90° / pitch ±30° / roll ±15°纯CPUSubCenter-ArcFace-r100同左同左纯CPUSubCenter-ArcFace-r100-gpu同左同左纯CPU禁用CUDA光源方位角覆盖-45°至45°分三档强度低光100–300lux模拟室内背光、正常400–600lux办公室照明、强光800–1000lux户外直射。测试是怎么做的集群与测试图准备集群由项目根目录的 docker-compose.yml 拉起含PostgreSQL数据库、Nginx反向代理与模型服务为保证结果可复现dev/docker-compose.yml 禁用CUDA全程CPU运行。测试图的加载由扫描工具的 IMG_NAMES 环境变量控制设为 {test_images} 即自动遍历 sample_images 下全部18张图embedding-calculator/tools/scan/main.py 中的实现elif get_env(IMG_NAMES, ) {test_images}: IMG_NAMES [i.img_name for i in SAMPLE_IMAGES if i.include_to_tests]光照梯度测量lux是光照度单位数值越小越暗。每档光照下对同一组图像做识别并记录准确率同时把定向光源在-45°到45°间转动模拟光线方向变化对模型的影响。姿态三轴偏转与人脸框标定姿态轴覆盖三个角度yaw水平侧转-90°到90°、pitch上下点头-30°到30°、roll画面内倾斜-15°到15°。为保证姿态变化时人脸区域仍能被准确定位人脸框提取沿用了 embedding-calculator/src/services/facescan/imgscaler/test/test_upscale_box.py 验证过的坐标还原逻辑图像被缩小后框坐标按缩放系数等比放大例如框(10,10,20,20)在2倍缩小后还原为(20,20,40,40)同一测试同时验证了图像未缩放时坐标保持不变。数据说了什么发现① 低光下准确率掉多少100lux时SubCenter-ArcFace-r100比Mobilenet高12.3个百分点到1000lux时两者差距收敛到4.7%——低光放大模型差距强光则把差距压平。发现② 正常光照是舒适区。约600lux时所有模型识别率都超过98%如果部署环境能稳定在办公室级照明模型选型的敏感度会明显降低。发现③ 侧脸45°识别率实测。水平旋转一旦超过±60°所有模型断崖式下跌45°侧脸时SubCenter-ArcFace-r100-gpu仍保持78.5%领先其他模型约15个百分点。发现④ 垂直姿态不对称。所有模型对低头姿态的容忍度普遍高于抬头摄像头架设位置建议略高于人眼。按场景选模型场景推荐模型理由室内固定设备SubCenter-ArcFace-r100低光下领先12.3%精度与性能均衡户外移动场景Mobilenet-gpuGPU加速补偿复杂环境的计算开销门禁考勤SubCenter-ArcFace-r100 口罩检测插件遮挡补偿提升口罩佩戴场景稳定性室内固定部署直接选 custom-builds/SubCenter-ArcFace-r100 构建包即可移动侧优先 custom-builds/Mobilenet-gpu因为它能吃到GPU加速正好对冲复杂环境带来的开销。落地避坑⚠️ 相似度阈值别照抄安全敏感场景设0.85以上普通场景降到0.75提高通过率参考 docs/Configuration.md 与 docs/Face-Recognition-Similarity-Threshold.md⚠️ GPU/CPU取舍没有GPU也能跑本次全部数据均为CPU产出但侧脸场景要接受相对GPU版本约15个百分点的差距⚠️ 姿态是硬约束超过±60°再强的模型也救不回来优先控制采集角度或补录多角度底照✅ 口罩佩戴场景别只靠主模型启用口罩检测插件见 docs/Mask-detection-plugin.md完整测试报告与原始数据可通过项目REST API拉取统计分析接口见 docs/Rest-API-description.md想参与新模型评测或改进测试流程可参考 CONTRIBUTING.md 提交贡献。【免费下载链接】CompreFaceLeading free and open-source face recognition system项目地址: https://gitcode.com/gh_mirrors/co/CompreFace创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考