过去两年，边缘计算设备算力提升超过3倍，这让人脸检测从云端下沉到终端成为现实。但许多开发者仍困惑：为什么同样调用免费人脸API，在复杂光照下的召回率差异能达到20%以上？

算法演进的三个关键拐点

从Viola-Jones的Haar级联到MTCNN，再到RetinaFace的单阶段检测，核心变化在于特征提取方式。传统方法依赖手工设计特征，而深度学习模型通过卷积核自动学习人脸的多尺度表征。南宁先创科技在多个落地项目中发现，轻量化模型如PFLD在移动端的推理速度已能做到15ms以内，这对实时人脸分析至关重要。

开源模型与商用API的取舍

不少团队纠结于自训练模型还是直接集成人脸识别API、SDK。自训练需要标注至少5万张人脸数据，且调参周期长；而成熟API通常提供活体检测、关键点定位等附加能力。建议初期先用免费额度验证业务闭环，再评估私有化部署成本。

• 精度优先：RetinaFace在WIDER FACE硬集上AP达90.7%
• 速度优先：YuNet在CPU上单帧仅需8ms
• 平衡选择：SCRFD兼顾精度与推理效率

实际选型时，建议在目标场景下采集200张测试图，对比不同方案的误检率与漏检率，而非只看论文指标。