4. 模型选型与基准测试：FaceNet、ArcFace、CosFace 对比
模型选型这事儿，说白了就是找最适合你业务场景的那一个。我见过不少团队一上来就追最火的模型，结果部署时发现推理速度跟不上，或者精度根本用不上那么高。今天咱们就掰开揉碎，把 FaceNet、ArcFace、CosFace 这三个主流模型讲透。
4.1 三巨头：FaceNet、ArcFace、CosFace 核心差异
先看一张对比表，心里有个底：
| 模型 | 核心思想 | 损失函数 | 训练难度 | 典型应用场景 |
|---|---|---|---|---|
| FaceNet | 端到端学习，直接输出 128 维嵌入向量 | Triplet Loss | 中等（需要精心构造三元组） | 小规模验证、快速原型 |
| ArcFace | 在角度空间加 margin，类间距离更大 | ArcFace Loss (Additive Angular Margin) | 较高（对超参敏感） | 大规模人脸识别、安防 |
| CosFace | 在余弦空间加 margin，更稳定 | CosFace Loss (Additive Cosine Margin) | 中等（调参相对友好） | 移动端、轻量化部署 |
我的经验： 如果你刚入门，从 FaceNet 开始最稳妥。但生产环境我强烈建议用 ArcFace 或 CosFace。我在一个安防项目里试过 FaceNet，光照变化大时误报率直接翻倍，换成 ArcFace 后好很多。
4.2 推理速度与精度的权衡
你想想看，模型精度再高，如果一帧画面要跑 500 毫秒，那在实时视频流里根本没法用。这里有个经典的权衡曲线：
从图上能看出来：
- FaceNet 速度最快，但精度天花板低。适合门禁、考勤这类场景。
- CosFace 在速度和精度之间取得平衡。我建议移动端首选它。
- ArcFace 精度最高，但计算量也最大。金融支付、安防监控这类场景值得上。
避坑指南： 我曾经在一个项目里盲目追求 99.9% 的精度，上了 ArcFace 大模型，结果在 Jetson Nano 上跑不到 5 FPS。后来换成 CosFace 的轻量版本，精度只降了 0.3%，但帧率到了 25 FPS。所以一定要先定好你的硬件平台和帧率要求。
4.3 模型量化初探
模型量化，说白了就是把模型里的浮点数（FP32）变成整数（INT8）。这样做的好处很明显：模型体积变小，推理速度变快。但代价是精度会掉一点。
我常用的量化流程：
- 训练后量化（PTQ）：最省事，直接拿训练好的模型转 INT8。适合快速验证。
- 量化感知训练（QAT）：在训练过程中模拟量化，精度损失更小。适合生产环境。
- 混合精度量化：部分层用 FP16，部分层用 INT8。灵活度最高。
来看一个实际的量化效果对比：
| 模型 | 精度（FP32） | 精度（INT8） | 模型大小（FP32） | 模型大小（INT8） | 推理速度提升 |
|---|---|---|---|---|---|
| FaceNet | 99.2% | 98.7% | 90 MB | 23 MB | 2.1x |
| ArcFace | 99.8% | 99.1% | 280 MB | 71 MB | 2.5x |
| CosFace | 99.5% | 98.9% | 150 MB | 38 MB | 2.3x |
注意： 量化不是万能的。我遇到过量化后精度掉 2% 以上的情况，尤其是在光照极端或遮挡严重的场景。所以量化后一定要做充分的验证，别直接上线。
4.4 基准测试实战：怎么跑才靠谱？
基准测试不是随便跑几个数据就完事。我总结了一套标准流程：
- 选数据集：LFW、MegaFace、IJB-C 各来一套。别只用 LFW，它太简单了。
- 定指标：TAR@FAR=1e-4 是行业标准。FAR 越低，指标越硬。
- 测速度：分单帧和批量两种模式。批量大小建议 1、4、16、64 都测一遍。
- 看资源：GPU 显存占用、CPU 利用率、内存带宽，一个都不能少。
嗯，这里要特别说一下：很多人在测速度时只测前向推理时间，忽略了预处理和后处理。实际上，人脸检测、对齐、特征归一化这些步骤加起来可能比推理本身还耗时。我建议用端到端的 pipeline 来测。
我的习惯： 每次基准测试我都会记录三组数据——最好情况、最坏情况、平均情况。因为实际线上流量波动很大，只看平均值容易被骗。
4.5 选型决策树
最后，我画了一个决策树，帮你快速定位：
记住，没有最好的模型，只有最合适的模型。选型时把精度、速度、硬件成本三个维度列出来，画个雷达图，哪个模型覆盖面积最大，就用哪个。