人工智能计算机视觉预训练模型系列第 7 期：人脸检测模型实测记录

人脸检测是计算机视觉中非常基础也非常关键的任务。它通常位于人脸识别、表情分析、身份核验、视频结构化和智能监控流程的前置环节，负责从画面中定位人脸区域，为后续模型提供更干净、更明确的输入。 本期训练与测试使用 RTX 3080 显卡，数据集共包含 9841 张图片，约 11.9 万个目标。其中训练集包含 6889 张图片、约 8.5 万个目标；验证集包含 1966 张图片、约 2.4 万个目标；测试集包含 986 张图片、约 1.0 万个目标。 | 项目 | 内容 | | --- | --- | | 系列期数 | 第 7 期 | | 本期主题 | 人脸检测 | | 任务类型 | 目标检测 | | 显卡型号 | RTX 3080 | | 数据集规模 | 9841 张图片，约 11.9 万个目标 | | 训练集规模 | 6889 张图片，约 8.5 万个目标 | | 验证集规模 | 1966 张图片，约 2.4 万个目标 | | 测试集规模 | 986 张图片，约 1.0 万个目标 | 下面是本次人脸检测任务的训练输入数据样例。人脸在真实画面中会出现不同尺度、不同角度、不同密度和不同遮挡情况，这些都会影响模型对目标位置的学习。  验证输入数据预测样例更适合观察模型在多人场景中的框选效果。除了 Precision、Recall 和 mAP50 等指标，检测框是否覆盖稳定、是否存在明显漏检，也会直接影响后续业务链路。 

YOLOv5s 是本期记录的第一种人脸检测模型。该模型包含 157 层网络，约 7M 参数，计算量为 15.8 GFLOPs，模型文件大小约 14 MB。对于需要部署在摄像头、边缘服务器或实时视频分析系统中的场景来说，这类轻量级目标检测模型具备较好的工程友好度。 训练配置方面，YOLOv5s 的 batch size 为 64，训练 1555 个 epoch，总训练时间约 93 小时。评估结果中，Precision 为 0.84，Recall 为 0.65，mAP50 为 0.72。对于人脸检测任务，这些指标可以帮助我们判断模型对目标定位的准确性、覆盖能力和整体检测质量。 | 项目 | YOLOv5s | | --- | --- | | 网络层数 | 157 层 | | 参数量 | 7M | | 计算量 | 15.8 GFLOPs | | 模型文件 | 14 MB | | batch size | 64 | | epoch | 1555 | | 训练时间 | 93 小时 | | Precision | 0.84 | | Recall | 0.65 | | mAP50 | 0.72 | 下面是 YOLOv5s 训练过程中损失与指标的变化趋势。通过训练曲线，可以观察模型是否持续收敛，以及后期指标是否趋于稳定。  推理性能方面，YOLOv5s 的推理显存占用为 368 MB。GPU 单张图片推理 3.9 毫秒，后处理 1.6 毫秒，总计约 5.5 毫秒；CPU 单张图片推理 76.1 毫秒，后处理 35.1 毫秒，总计约 111.2 毫秒。 | 推理环境 | 推理时间 | 后处理时间 | 总耗时 | | --- | ---: | ---: | ---: | | GPU | 3.9 ms | 1.6 ms | 5.5 ms | | CPU | 76.1 ms | 35.1 ms | 111.2 ms | 下面是本次测试使用的原始图片。对于人脸检测模型来说，单张原图可以帮助我们直观看到人脸尺度、背景复杂度和目标分布情况。  YOLOv5s 的测试结果如下。可以结合原图观察人脸目标是否被准确框选，以及检测框与人脸区域是否贴合。 

YOLO26s 是本期记录的第二种人脸检测模型。该模型包含 260 层网络，约 10M 参数，计算量为 22.5 GFLOPs，模型文件大小约 20 MB。它同样面向目标检测任务，可以用于人脸定位、视频结构化分析以及人脸识别前处理等场景。 训练配置方面，YOLO26s 的 batch size 为 48，训练 1362 个 epoch，总训练时间约 221 小时。评估结果中，Precision 为 0.85，Recall 为 0.63，mAP50 为 0.71。从记录结果看，该模型在本次人脸检测数据集上也具备可观的目标定位能力。 | 项目 | YOLO26s | | --- | --- | | 网络层数 | 260 层 | | 参数量 | 10M | | 计算量 | 22.5 GFLOPs | | 模型文件 | 20 MB | | batch size | 48 | | epoch | 1362 | | 训练时间 | 221 小时 | | Precision | 0.85 | | Recall | 0.63 | | mAP50 | 0.71 | 下面是 YOLO26s 训练过程中损失与指标的变化趋势。训练曲线能够帮助复盘训练轮次、数据分布和模型收敛状态，也便于后续继续优化数据集与参数配置。  推理性能方面，YOLO26s 的推理显存占用为 366 MB。GPU 单张图片推理 5.5 毫秒，后处理 1.6 毫秒，总计约 7.1 毫秒；CPU 单张图片推理 80.9 毫秒，后处理 5.4 毫秒，总计约 86.3 毫秒。 | 推理环境 | 推理时间 | 后处理时间 | 总耗时 | | --- | ---: | ---: | ---: | | GPU | 5.5 ms | 1.6 ms | 7.1 ms | | CPU | 80.9 ms | 5.4 ms | 86.3 ms | YOLO26s 的测试结果如下。对于实际部署来说，测试图只是第一步，后续还需要在不同摄像头、不同光照、不同人群密度和连续视频流中继续验证模型表现。 

人脸检测看似只是“把脸框出来”，但在工程场景中，它往往决定了后续识别、分析和告警链路的质量。如果前置检测出现漏检，后续人脸识别就没有输入；如果误检过多，系统又会引入不必要的计算和错误判断。 从本期记录可以看到，轻量级人脸检测模型能够在较低显存占用下完成毫秒级 GPU 推理，适合作为边缘 AI、智能摄像头和实时视频分析项目的起点。真正落地时，还需要结合现场数据继续验证小目标、侧脸、遮挡、低照度和密集人群等复杂情况。 如果你正在做人脸检测、人脸识别前处理或视频智能分析，你最关心的是检测精度、漏检率、推理速度，还是复杂场景下的稳定性？欢迎把你的应用场景和遇到的问题留下来，我们可以在后续文章里继续拆解。