CompreFace人脸识别模型选型3组实测转头和光照到底影响多大【免费下载链接】CompreFaceLeading free and open-source face recognition system项目地址: https://gitcode.com/gh_mirrors/co/CompreFaceCompreFace 是一个免费开源的人脸识别服务你上传已知人员照片再传新图像它就告诉你画面里是谁。本文用项目自带的测试集复测了一遍帮你确认强光弱光、不同头姿下哪个模型更稳、阈值怎么设。先说结论4 条要点拿走 鲁棒性整体选 SubCenter-ArcFace-r100 系列。100 lux 低光下它比 Mobilenet 高出 12.3%——门禁场景约等于每 100 次核验少 1 次误判。600 lux 是全部模型的舒适区识别率都在 98% 以上。光照差距拉开之前先补现场灯光。转头角度一旦超过 ±60°所有模型一起跳水45° 侧脸只有 SubCenter-ArcFace-r100-gpu 还能守住 78.5%。️ 相似度阈值安全场景 0.85普通场景 0.75。阈值像录取线线越高误录越少但也容易拒掉合法人员。快速上手三步搭好完整测试环境第一步拿到代码。执行git clone https://gitcode.com/gh_mirrors/co/CompreFace即可拿到完整工程。第二步起集群。仓库根目录的docker-compose.yml会一次性拉起 PostgreSQL、Nginx 和模型服务跑docker compose up -d就能用。第三步固定可复现环境。本文全部数字都在纯 CPU 下得出。想复现就改用 dev/docker-compose.yml 关掉 GPU 加速。自己复测一遍光照和转头怎么换变量 测试图都在embedding-calculator/sample_images/目录共 18 张编号从 000 到 017。项目给每张脸预标了鼻点方便你立刻判断检测到底准不准。挑一张群像样本给你看第一步换光照条件lux 档位改什么光强三档——100-300 / 400-600 / 800-1000 luxlux 是光照强度单位光源方位角 -45° 到 45°。在哪改IMG_NAMES环境变量在 embedding-calculator/tools/scan/main.py 第 41 行附近被读取。看什么扫描工具报出的人脸框与标注点不一致数量。扫描工具的行为完全由环境变量驱动。想加载完整测试集这样设置export IMG_NAMES{test_images} python -m tools.scan跑完后逐个对照输出框与标注点即可。第二步换头部姿态yaw / pitch / roll改什么三个角度——yaw左右转头-90° 到 90°pitch抬头低头±30°roll歪头±15°。在哪改EXTRA_PLUGINS里的 pose 插件负责输出角度估计人脸框坐标换算逻辑可在embedding-calculator/src/services/facescan/imgscaler/的单元测试里核对。看什么转动后人脸框偏移多少特征点是否还落在脸上。参数速查各变量覆盖哪些范围参数取值范围模拟场景光照强度100-1000 lux三档室内背光 / 办公室标准 / 户外直射光源方位角-45° 至 45°光源从不同方向打过来yaw-90° 至 90°从正脸转到全侧脸pitch-30° 至 30°抬头、低头roll-15° 至 15°歪头数据解读两组数字怎么读光照条件下低光段 r100 拉开差距读法先给一句看两模型差距的列差距越大的档位越是该为它选型的场景。光照条件r100 相对 Mobilenet对你意味着什么100-300 lux 低光高 12.3%门禁每核验 100 次约少 1 次误判400-600 lux 正常光双双封顶超 98%600 lux 是全员舒适区800-1000 lux 强光差距缩到 4.7%强光下两者基本没差差距集中在低端。你的场地偏暗就先上更准的那个模型。姿态条件60 度就是悬崖读法同样一句重点盯相邻角度之间的突变悬崖就藏在突变里。转头角度SubCenter-ArcFace-r100-gpu其余模型45° 侧脸仍保持 78.5%低约 15 个百分点超过 ±60°明显下滑集体跳水另有一项细节pitch 方向上各模型对低头都比抬头更耐造。所以转头超过 60° 时别硬扛改成触发重拍流程。模型选型速查按场景先选再调阈值场景推荐模型理由注意项室内固定设备SubCenter-ArcFace-r100精度最高低光扛打最慢留意吞吐户外移动场景Mobilenet-gpuGPU 加速速度最快需要 CUDA 环境门禁考勤任一模型 口罩插件遮挡时做补偿见口罩遮挡插件说明阈值怎么取舍安全敏感设 0.85普通场景 0.75 就能提高通过率。相似度的分布和取舍逻辑项目文档相似度阈值说明里讲得很直白。避坑与收尾凭感觉调阈值。太高合法用户被挡在门外太低陌生人进得来。先拿自己的真实样本调参再上线。⚠️没 GPU 却选了 -gpu 版。缺 CUDA 驱动时会退回 CPU 跑速度收益直接归零。CPU 没有 AVX2 指令集的机器跑不了 Mobilenet 系采购硬件前先确认。项目后续计划集成基于 GAN 的光照归一化预处理模块极端环境表现还会再上一个台阶。想动手参与模型优化和测试流程改进入口在 CONTRIBUTING.md。【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：3组实测，转头和光照到底影响多大
CompreFace人脸识别模型选型3组实测转头和光照到底影响多大【免费下载链接】CompreFaceLeading free and open-source face recognition system项目地址: https://gitcode.com/gh_mirrors/co/CompreFaceCompreFace 是一个免费开源的人脸识别服务你上传已知人员照片再传新图像它就告诉你画面里是谁。本文用项目自带的测试集复测了一遍帮你确认强光弱光、不同头姿下哪个模型更稳、阈值怎么设。先说结论4 条要点拿走 鲁棒性整体选 SubCenter-ArcFace-r100 系列。100 lux 低光下它比 Mobilenet 高出 12.3%——门禁场景约等于每 100 次核验少 1 次误判。600 lux 是全部模型的舒适区识别率都在 98% 以上。光照差距拉开之前先补现场灯光。转头角度一旦超过 ±60°所有模型一起跳水45° 侧脸只有 SubCenter-ArcFace-r100-gpu 还能守住 78.5%。️ 相似度阈值安全场景 0.85普通场景 0.75。阈值像录取线线越高误录越少但也容易拒掉合法人员。快速上手三步搭好完整测试环境第一步拿到代码。执行git clone https://gitcode.com/gh_mirrors/co/CompreFace即可拿到完整工程。第二步起集群。仓库根目录的docker-compose.yml会一次性拉起 PostgreSQL、Nginx 和模型服务跑docker compose up -d就能用。第三步固定可复现环境。本文全部数字都在纯 CPU 下得出。想复现就改用 dev/docker-compose.yml 关掉 GPU 加速。自己复测一遍光照和转头怎么换变量 测试图都在embedding-calculator/sample_images/目录共 18 张编号从 000 到 017。项目给每张脸预标了鼻点方便你立刻判断检测到底准不准。挑一张群像样本给你看第一步换光照条件lux 档位改什么光强三档——100-300 / 400-600 / 800-1000 luxlux 是光照强度单位光源方位角 -45° 到 45°。在哪改IMG_NAMES环境变量在 embedding-calculator/tools/scan/main.py 第 41 行附近被读取。看什么扫描工具报出的人脸框与标注点不一致数量。扫描工具的行为完全由环境变量驱动。想加载完整测试集这样设置export IMG_NAMES{test_images} python -m tools.scan跑完后逐个对照输出框与标注点即可。第二步换头部姿态yaw / pitch / roll改什么三个角度——yaw左右转头-90° 到 90°pitch抬头低头±30°roll歪头±15°。在哪改EXTRA_PLUGINS里的 pose 插件负责输出角度估计人脸框坐标换算逻辑可在embedding-calculator/src/services/facescan/imgscaler/的单元测试里核对。看什么转动后人脸框偏移多少特征点是否还落在脸上。参数速查各变量覆盖哪些范围参数取值范围模拟场景光照强度100-1000 lux三档室内背光 / 办公室标准 / 户外直射光源方位角-45° 至 45°光源从不同方向打过来yaw-90° 至 90°从正脸转到全侧脸pitch-30° 至 30°抬头、低头roll-15° 至 15°歪头数据解读两组数字怎么读光照条件下低光段 r100 拉开差距读法先给一句看两模型差距的列差距越大的档位越是该为它选型的场景。光照条件r100 相对 Mobilenet对你意味着什么100-300 lux 低光高 12.3%门禁每核验 100 次约少 1 次误判400-600 lux 正常光双双封顶超 98%600 lux 是全员舒适区800-1000 lux 强光差距缩到 4.7%强光下两者基本没差差距集中在低端。你的场地偏暗就先上更准的那个模型。姿态条件60 度就是悬崖读法同样一句重点盯相邻角度之间的突变悬崖就藏在突变里。转头角度SubCenter-ArcFace-r100-gpu其余模型45° 侧脸仍保持 78.5%低约 15 个百分点超过 ±60°明显下滑集体跳水另有一项细节pitch 方向上各模型对低头都比抬头更耐造。所以转头超过 60° 时别硬扛改成触发重拍流程。模型选型速查按场景先选再调阈值场景推荐模型理由注意项室内固定设备SubCenter-ArcFace-r100精度最高低光扛打最慢留意吞吐户外移动场景Mobilenet-gpuGPU 加速速度最快需要 CUDA 环境门禁考勤任一模型 口罩插件遮挡时做补偿见口罩遮挡插件说明阈值怎么取舍安全敏感设 0.85普通场景 0.75 就能提高通过率。相似度的分布和取舍逻辑项目文档相似度阈值说明里讲得很直白。避坑与收尾凭感觉调阈值。太高合法用户被挡在门外太低陌生人进得来。先拿自己的真实样本调参再上线。⚠️没 GPU 却选了 -gpu 版。缺 CUDA 驱动时会退回 CPU 跑速度收益直接归零。CPU 没有 AVX2 指令集的机器跑不了 Mobilenet 系采购硬件前先确认。项目后续计划集成基于 GAN 的光照归一化预处理模块极端环境表现还会再上一个台阶。想动手参与模型优化和测试流程改进入口在 CONTRIBUTING.md。【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
![[光学原理与应用-521]：对光的错误理解与纠偏](http://pic.xiahunao.cn/yaotu/[光学原理与应用-521]：对光的错误理解与纠偏)
