过去十年，人脸检测从Viola-Jones的级联分类器一路走到今天的YOLO与RetinaFace，精度提升了数十倍，推理速度也从CPU上的秒级压缩到毫秒级。南宁先创科技在多个行业项目中发现，人脸检测的选型直接决定了后续人脸分析的准确率上限。

从手工特征到深度特征

早期Haar特征加AdaBoost的方案，在正面、光照均匀的场景下尚可一用，但侧脸、遮挡几乎不可用。2015年后，Faster R-CNN、SSD、RetinaFace等模型将人脸检测转化为端到端的回归问题，WiderFace硬集上的AP从不足40%提升到90%以上。这一跨越让人脸识别API、SDK的落地门槛大幅降低。

行业应用中的三条技术路线

• 高精度优先：金融级身份核验，通常采用RetinaFace+ArcFace组合，误识率可控制在千万分之一。
• 速度优先：视频监控场景，YOLOv5-face在T4上可达200FPS以上。
• 成本优先：中小项目可直接调用免费人脸API，快速验证业务逻辑。

去年我们为某智慧园区部署了一套门禁系统。初期选用轻量级MTCNN，但逆光下漏检率偏高。替换为SCRFD-500M后，同一批摄像头下漏检率从7.2%降至1.1%，同时保持了30FPS的实时性。

值得关注的是，人脸分析正从单纯的位置框走向属性识别、情绪判断、活体检测等多任务联合。南宁先创科技建议，选型时优先评估模型在自身数据集上的泛化能力，而非只看公开榜单。对于预算有限的团队，合理利用免费人脸API做原型验证，再逐步替换为自部署的人脸识别API、SDK，是一条务实的路径。