⚙️ Python环境配置 & 核心库安装
工欲善其事，必先利其器。本章将带你从零搭建人脸识别开发环境，涵盖 Python、OpenCV、dlib、face_recognition 以及 GPU 加速配置。
🐍 1. Python 环境配置
推荐使用 Python 3.8 ~ 3.11（兼容性最佳）。通过 pyenv 或官方安装包部署，并创建独立的虚拟环境。
# 创建虚拟环境（推荐）
python -m venv face_env
# 激活环境 (Windows)
face_env\Scripts\activate
# 激活环境 (macOS/Linux)
source face_env/bin/activate📷 2. OpenCV 库安装
OpenCV 提供图像读取、预处理、人脸检测等基础功能。建议安装 opencv-python 与 opencv-contrib-python。
pip install opencv-python opencv-contrib-python
# 验证安装
python -c "import cv2; print(cv2.__version__)"🧩 3. dlib 库安装
dlib 提供人脸关键点检测、人脸对齐等算法。Windows 用户建议使用预编译 wheel，Linux/macOS 可通过源码编译。
| 系统 | 安装方式 | 命令 |
|---|---|---|
| Windows (x64) | 预编译 wheel | pip install dlib |
| macOS / Linux | 源码编译 (需cmake) | pip install dlib (自动编译) |
| ARM / 特殊环境 | conda 或 源码 | conda install -c conda-forge dlib |
# 安装 dlib (确保已安装cmake)
pip install dlib
# 测试
python -c "import dlib; print(dlib.__version__)"👤 4. face_recognition 库安装
基于 dlib 封装，提供极简的人脸识别接口。安装前需确保 dlib 已正确安装。
💡 提示： face_recognition 依赖 dlib，请按顺序安装。如果遇到错误，请先升级 pip 并安装 cmake。
pip install face_recognition
# 验证
python -c "import face_recognition; print(face_recognition.__version__)"🚀 5. GPU 环境 (CUDA) 配置说明
使用 NVIDIA GPU 可大幅加速 dlib 人脸检测与深度学习模型。请按以下步骤配置 CUDA 与 cuDNN。
| 组件 | 推荐版本 | 说明 |
|---|---|---|
| NVIDIA 驱动 | ≥ 525 | 支持 CUDA 12.x |
| CUDA Toolkit | 11.8 / 12.1 | 与 dlib 编译兼容 |
| cuDNN | 8.9+ | 深度神经网络加速 |
| dlib (GPU) | 编译时开启 CUDA | set DLIB_USE_CUDA=1 |
# 检查CUDA是否可用 (dlib)
python -c "import dlib; print(dlib.DLIB_USE_CUDA)"
# 若返回 True 表示GPU加速开启