4、数据预处理流水线：人脸检测、对齐与归一化
数据预处理，说白了就是给模型「喂饭」前的最后一道工序。你想想看，模型再厉害，吃进去的是垃圾，吐出来的也只会是垃圾。我在这个环节踩过的坑，比模型训练本身还多。今天咱们就把这条流水线彻底捋清楚。
4.1 人脸检测：MTCNN vs RetinaFace
人脸检测是整个流水线的第一步。选错了检测器，后面全是白费功夫。我个人习惯把检测器分成两类：轻量级和重量级。
| 特性 | MTCNN | RetinaFace |
|---|---|---|
| 速度 | 快（CPU可跑） | 较慢（需要GPU） |
| 精度 | 中等 | 高（尤其遮挡场景） |
| 关键点 | 5点（眼鼻嘴） | 5点/106点可选 |
| 适用场景 | 实时、移动端 | 高精度、离线处理 |
MTCNN 是我最早用的检测器。它用三级级联网络（P-Net、R-Net、O-Net）逐步精修人脸框。优点是轻量，缺点嘛——遇到大角度侧脸或者戴口罩的情况，经常漏检。我记得有一次做门禁项目，用户戴着口罩站在逆光下，MTCNN 愣是没检测出来，后来换成 RetinaFace 才搞定。
RetinaFace 就不一样了。它基于特征金字塔和多任务学习，不仅能检测人脸，还能输出密集关键点。我建议你在训练人脸比对模型时，优先用 RetinaFace。为什么？因为后续的人脸对齐需要精确的关键点，RetinaFace 的 5 点输出比 MTCNN 稳定得多。
我的经验法则：
- 训练阶段：用 RetinaFace，精度优先
- 推理阶段：看部署环境，CPU 用 MTCNN，GPU 用 RetinaFace
4.2 人脸对齐：仿射变换与关键点归一化
检测到人脸后，下一步就是对齐。为什么要对齐？因为模型对旋转、缩放非常敏感。你想想看，一张歪着头的照片和一张正脸照，在特征空间里可能差出十万八千里。
对齐的核心是仿射变换。说白了，就是通过一个 2x3 的矩阵，把人脸的关键点映射到标准位置。我通常的做法是：
- 用检测器得到 5 个关键点（左眼、右眼、鼻尖、左嘴角、右嘴角）
- 计算这 5 个点到标准位置的仿射变换矩阵
- 用 OpenCV 的
warpAffine函数做变换
import cv2
import numpy as np
def align_face(img, landmarks, target_size=(112, 112)):
# 标准关键点位置（112x112 图像）
std_landmarks = np.array([
[38.2946, 51.6963],
[73.5318, 51.5014],
[60.0, 71.7366],
[41.5493, 92.3655],
[70.7299, 92.2041]
], dtype=np.float32)
# 计算仿射变换矩阵
M, _ = cv2.estimateAffinePartial2D(landmarks, std_landmarks)
# 应用变换
aligned = cv2.warpAffine(img, M, target_size)
return aligned
避坑指南：我曾经直接用 cv2.getAffineTransform 只取 3 个点做变换，结果遇到大角度人脸时变形严重。后来改用 estimateAffinePartial2D 用全部 5 个点做最小二乘拟合，效果稳定多了。
关键点归一化也很重要。我习惯在仿射变换后，把关键点坐标归一化到 [0, 1] 区间。这样做的好处是：无论输入图像多大，模型看到的都是相对位置。
4.3 图像归一化：均值与方差
对齐之后，图像归一化是最后一道预处理。这一步看似简单，但参数选错了，模型收敛速度能差好几倍。
我常用的归一化方式有两种：
| 方式 | 公式 | 适用场景 |
|---|---|---|
| ImageNet 归一化 | (x - [0.485, 0.456, 0.406]) / [0.229, 0.224, 0.225] | 迁移学习、预训练模型 |
| 人脸专用归一化 | (x - 127.5) / 128.0 | 人脸识别专用模型 |
我个人更推荐人脸专用归一化。为什么？因为人脸图像的颜色分布和 ImageNet 完全不同。人脸主要是肤色，方差小，用 ImageNet 的均值和方差反而会引入偏差。我记得有一次用 ResNet 做人脸识别，用 ImageNet 归一化训练了 50 个 epoch 还没收敛，换成 (x - 127.5) / 128.0 后，20 个 epoch 就出效果了。
注意：归一化参数必须和训练时保持一致。如果你用预训练模型，一定要查清楚它用的什么归一化。我曾经因为归一化不匹配，导致模型在测试集上准确率直接掉了 15%。
4.4 数据加载器优化
数据加载器是流水线的最后一环，也是最容易被忽视的一环。很多人在 GPU 空转等数据，就是因为 DataLoader 没优化好。
我总结了几条优化原则：
- 多进程加载：
num_workers设为 CPU 核心数的一半。设太多反而会因为进程切换开销导致性能下降。 - 预取机制：用
prefetch_factor=2，让 DataLoader 提前加载下一批数据。 - 内存固定：用
pin_memory=True，把数据固定在 CPU 内存中，加速 GPU 传输。 - 数据增强在线做：不要在硬盘上存增强后的数据，而是在 DataLoader 里用
transforms实时做。
from torch.utils.data import DataLoader
from torchvision import transforms
transform = transforms.Compose([
transforms.ToPILImage(),
transforms.RandomHorizontalFlip(p=0.5),
transforms.ColorJitter(brightness=0.1, contrast=0.1),
transforms.ToTensor(),
transforms.Normalize(mean=[127.5, 127.5, 127.5], std=[128.0, 128.0, 128.0])
])
dataloader = DataLoader(
dataset,
batch_size=256,
shuffle=True,
num_workers=8,
pin_memory=True,
prefetch_factor=2,
drop_last=True
)
我的调优经验：如果 GPU 利用率低于 80%，先检查 DataLoader。我曾经用 num_workers=0 跑了一个晚上，GPU 利用率只有 30%，改成 8 个 worker 后直接飙到 95%。
4.5 完整流水线架构
下面这张图是我在实际项目中用的预处理流水线，你可以直接参考：
这条流水线看起来步骤多，但每一步都不可或缺。我见过太多人跳过对齐直接训练，结果模型在测试集上表现一塌糊涂。记住：预处理花的时间，会在训练效率和模型精度上加倍还给你。