3. 人脸检测算法选型
人脸检测是整个识别流程的第一道关卡。说白了，这一步要是没做好，后面识别再准也白搭。我在嵌入式设备上折腾了几年，踩过不少坑，今天就跟大家聊聊三个主流算法——RetinaFace、MTCNN 和 YOLOv5-Face，看看它们各自适合什么场景。
3.1 为什么选型这么重要？
嵌入式设备资源有限。CPU 算力弱，内存小，还得跑实时。你想想看，一个 200ms 的检测延迟，用户就嫌卡了。所以选算法不能只看精度，还得看模型大小、推理速度、内存占用。
我个人习惯把选型分成三步：
- 看场景：是门禁、考勤，还是手机解锁？
- 看芯片：ARM Cortex-A 系列，还是带 NPU 的芯片？
- 看精度要求：误检率能接受多少？
我的经验： 别一上来就追求最高精度。先跑个轻量模型，看看能不能满足实时性，再逐步优化。我曾经在一个项目里直接上了 RetinaFace，结果在 RK3399 上只有 5fps，最后不得不换方案。
3.2 三大算法核心原理对比
先看一张总览图，帮你快速建立认知。
3.3 MTCNN：轻量级的老将
MTCNN 是 2016 年的算法，但至今仍在很多嵌入式设备上服役。它采用三级级联结构：
- P-Net：快速生成候选框
- R-Net：过滤掉大部分误检
- O-Net：输出最终 bbox 和关键点
为什么它适合嵌入式？因为前两级网络非常小，大部分非人脸区域在 P-Net 阶段就被排除了。我曾在树莓派 3B 上跑过，320x240 输入，能到 15fps 左右。
核心优势： 模型小（<1MB），推理快，CPU 友好。
主要缺点： 对小脸和遮挡场景不太行，精度上限低。
主要缺点： 对小脸和遮挡场景不太行，精度上限低。
避坑指南： 我曾经在密集人群场景用 MTCNN，结果漏检率飙到 30%。后来发现是 NMS 阈值设得太高。建议根据场景调低阈值，或者增加输入分辨率。
3.4 RetinaFace：高精度之选
RetinaFace 是 2020 年提出的，基于单阶段检测框架。它引入了特征金字塔和上下文模块，能同时输出人脸框、5 个关键点和置信度。
它的核心创新点：
- 特征金字塔：多尺度特征融合，小脸检测更强
- 上下文模块：利用周围信息辅助检测
- 多任务学习：bbox + 关键点 + 像素级分割
但代价也很明显——模型大。MobileNet 版本的 RetinaFace 也有 3-5MB，原版 ResNet 版本更是超过 100MB。在嵌入式设备上，如果没有 NPU 加速，基本跑不动实时。
| 指标 | MTCNN | RetinaFace (MobileNet) | YOLOv5-Face (nano) |
|---|---|---|---|
| 模型大小 | ~0.8 MB | ~4.5 MB | ~3.0 MB |
| WiderFace 精度 (Easy) | 85% | 94% | 92% |
| ARM CPU 推理 (320x240) | ~15 fps | ~3 fps | ~8 fps |
| 关键点输出 | 5 点 | 5 点 | 无（需额外模型） |
| 推荐硬件 | ARM CPU | GPU / NPU | NPU / 高性能 CPU |
3.5 YOLOv5-Face：速度与精度的平衡点
YOLOv5-Face 是在 YOLOv5 基础上针对人脸检测优化的版本。它保留了 YOLOv5 的 CSPDarknet 骨干和 PANet 特征融合，但调整了 Anchor 尺寸和损失函数。
我为什么推荐它？因为它在嵌入式设备上表现很均衡。nano 版本只有 3MB 左右，在带 NPU 的芯片上（比如瑞芯微 RK3588）能跑到 30fps 以上。
它的几个关键改进：
- Anchor 优化：针对人脸宽高比重新聚类
- Mosaic 增强：训练时用小图拼接，提升小脸检测
- GIoU 损失：框回归更精准
我的建议： 如果你的设备有 NPU，优先考虑 YOLOv5-Face。它比 MTCNN 精度高，比 RetinaFace 速度快。我在一个门禁项目里用 YOLOv5-Face nano 在 RV1126 上跑到了 25fps，效果很满意。
3.6 如何做最终选型？
给你一个决策流程，照着走就行：
- 先看硬件：有没有 NPU？没有的话，MTCNN 或 YOLOv5-Face 轻量版
- 再看精度需求：需要关键点吗？需要的话，RetinaFace 或 MTCNN
- 最后看实时性：目标帧率是多少？低于 10fps 用户会明显感觉卡顿
一句话总结：
CPU 实时 → MTCNN
NPU 加速 → YOLOv5-Face
高精度离线 → RetinaFace
CPU 实时 → MTCNN
NPU 加速 → YOLOv5-Face
高精度离线 → RetinaFace