3、人脸检测算法：MTCNN、RetinaFace原理对比、检测模型选型与部署

人脸检测是人脸库管理的第一步，也是最重要的一步。你想想看，如果连人脸都找不到，后面的特征提取、比对检索就全是空谈。这一章，我结合自己踩过的坑，聊聊MTCNN和RetinaFace这两个主流检测器，以及怎么选型、怎么部署。

3.1 MTCNN：经典的三级级联架构

MTCNN（Multi-task Cascaded Convolutional Networks）是2016年的工作，但直到今天，很多轻量级场景还在用。它的核心思路很简单：先粗后精，逐步筛选。

整个流程分三步走：

1. P-Net（Proposal Network）：快速生成候选框。用一个小网络在全图滑动，找出可能有人脸的区域。这一步速度快，但框很粗糙，会有大量误检。
2. R-Net（Refine Network）：精炼候选框。把P-Net输出的候选框缩放到24x24，用稍大的网络做二分类和边框回归，去掉大部分非人脸。
3. O-Net（Output Network）：输出最终结果。缩放到48x48，用最大的网络做精细分类、边框回归，同时输出5个关键点（左眼、右眼、鼻子、左嘴角、右嘴角）。

我个人习惯把MTCNN比作「漏斗」——每一级筛掉一批，最后留下的就是高质量的人脸框。

3.2 RetinaFace：单阶段+特征金字塔的革新

RetinaFace是2019年InsightFace团队提出的。它跟MTCNN的思路完全不同——单阶段、端到端，不需要级联。

它的核心创新点有三个：

• 特征金字塔（FPN）：在不同尺度的特征图上做检测，解决小脸问题。MTCNN对小人脸效果差，RetinaFace就好很多。
• 上下文模块（SSH）：在检测头里加入更大的感受野，提升遮挡场景的召回率。
• 额外监督分支：除了人脸框和关键点，还预测3D网格和密集关键点。不过实际部署时，我一般只取前两个分支。

说白了，RetinaFace就是「用更深的网络、更复杂的结构，换取更高的精度」。我在安防场景的测试中，RetinaFace在WIDER Face的Hard子集上比MTCNN高了将近10个点。

3.3 核心对比：一张表说清楚

维度	MTCNN	RetinaFace
架构	三级级联（P→R→O）	单阶段+FPN+SSH
输入尺寸	12/24/48	640/512/256（可配置）
推理速度（CPU）	快（~10ms/图）	慢（~50ms/图）
小脸检测	弱	强
关键点输出	5点	5点/106点/密集点
模型大小	~1.5MB	~10MB（MobileNet版）~100MB（ResNet版）
开源框架	Caffe/PyTorch/ONNX	PyTorch/MXNet/ONNX

3.4 检测模型选型：四个关键问题

选型不是拍脑袋，我一般问自己四个问题：

1. 部署平台是什么？ CPU还是GPU？ARM还是x86？有没有NPU加速？
2. 最小人脸多大？ 如果场景里人脸只有20x20像素，MTCNN基本废了，必须上RetinaFace。
3. 实时性要求？ 视频流需要30fps，还是图片库离线处理？
4. 精度底线？ 漏检和误检哪个更不能接受？安防场景漏检是致命问题。

嗯，这里要注意：不要盲目追求高精度。我见过有人把ResNet-50的RetinaFace部署到Jetson Nano上，结果只有2fps，根本没法用。选型一定要结合硬件算力做权衡。

3.5 部署实战：从训练到ONNX推理

我以RetinaFace为例，讲一下部署流程。MTCNN的部署更简单，思路是一样的。

第一步：模型导出

训练好的PyTorch模型，先转成ONNX。注意要固定输入尺寸，否则动态shape会导致推理框架报错。

import torch
import torch.onnx

model = RetinaFace(backbone='mobilenet0.25')
model.load_state_dict(torch.load('retinaface.pth'))
model.eval()

dummy_input = torch.randn(1, 3, 640, 640)
torch.onnx.export(model, dummy_input, 'retinaface.onnx',
                  input_names=['input'],
                  output_names=['bbox', 'landmark', 'score'],
                  dynamic_axes=None)  # 固定尺寸

第二步：ONNX推理

用ONNX Runtime做推理，速度比PyTorch快不少，而且不依赖训练框架。

import onnxruntime as ort
import numpy as np

session = ort.InferenceSession('retinaface.onnx')
input_name = session.get_inputs()[0].name

img = preprocess(image)  # 缩放到640x640，归一化
outputs = session.run(None, {input_name: img})

bboxes, landmarks, scores = outputs
# 后处理：NMS、阈值过滤

第三步：后处理优化

NMS（非极大值抑制）是后处理的瓶颈。我建议用Fast NMS或者Cluster NMS，比传统NMS快3-5倍。如果对精度要求不高，还可以用MaxPool NMS，速度更快。

3.6 本章知识结构图

下面这张SVG图，把MTCNN和RetinaFace的核心流程、选型依据、部署链路串起来了。你可以对照着看，理解更直观。

3.7 避坑指南：我踩过的三个坑

做检测模型部署，坑不少。我分享三个亲身经历：

• 坑一：MTCNN的P-Net阈值设太低。我曾经设成0.3，结果P-Net输出了几千个候选框，R-Net和O-Net直接跑崩了。建议P-Net阈值设0.6以上，宁可漏检也不要让后面两级爆炸。
• 坑二：RetinaFace的输入尺寸不匹配。训练时用640x640，部署时为了提速改成320x320，结果小脸全丢了。记住：输入尺寸决定了最小可检测人脸，部署时不要随意改。
• 坑三：NMS的IoU阈值。默认0.5，但密集场景（比如地铁站）容易把相邻人脸误删。我一般调到0.3-0.4，宁可多几个重复框，也不要漏检。