人脸检测是大多数计算机视觉流水线的入口。每一个视频通话、相册和安防监控都依赖于在进行其他操作之前识别出人脸。然而，模型的选择通常意味着一种令人无奈的权衡。大型网络提供高精度，但需要昂贵的 GPU 和机架式散热设备。小型模型可以在普通的硬件上运行，但在面对小脸或高分辨率画面时往往力不从心。来自 OpenCV Zoo 的 YuNet 模型打破了这一模式。我花费时间在不同尺度上对其进行了基准测试，以观察它是在实际项目中占有一席之地，还是仅仅在理论上表现出色。

为什么 YuNet 值得关注

YuNet 不仅仅是一个研究课题。它包含在 OpenCV Zoo 中，这是一个为 OpenCV DNN 模块优化的预训练模型集合。我测试的具体变体使用了 INT8 量化，这意味着它的权重和激活值被压缩为 8 位整数，而不是通常的 32 位浮点数。这不仅仅是一个微不足道的技术细节。INT8 大幅降低了内存带宽需求，减轻了缓存压力，并允许现代 CPU 轻松完成推理。对于任何在笔记本电脑、边缘设备或没有独立显卡的服务器上进行开发的人来说，这种效率决定了流水线是流畅运行还是像幻灯片一样卡顿。

其架构设计本身就是轻量级的。它省去了庞大骨干网络（backbones）的负担，专注于定位人脸这一单一任务。当你需要将检测功能集成到更大的应用中，且 CPU 和电池预算需要与跟踪、识别或视频编码共享时，这种专注就会带来回报。

测试设置

所有测试均在搭载 Apple M4 Max 芯片的 Mac Studio 上运行。模型文件是来自 OpenCV Zoo 仓库的 YuNet INT8 量化 ONNX 版本。我首先测量了 1280x720 图像上的推理速度，然后比较了四种不同输入分辨率下的检测数量，以了解尺度如何影响结果。

如果你想在自己的机器上验证这些数据，整个过程是完全可复现的。运行以下命令来拉取稀疏仓库并执行基准测试：

git clone --depth 1 --filter=blob:none --sparse https://github.com/kiarina/labs.git
cd labs
git sparse-checkout set .gitignore .mise/tasks Makefile mise.toml 2026/07/08/yunet-face-detection
mise -C 2026/07/08/yunet-face-detection run

稀疏检出（sparse checkout）保持了较小的下载量，而 mise 任务运行器会在后台处理依赖关系。你不需要费力处理 Python 环境或手动安装软件包。

始终如一的稳定性

在 1280x720 的图像上，INT8 YuNet 模型的平均单次推理时间为 9.21 毫秒。最快的一次仅用时 8.03 毫秒，而最慢的一次为 10.47 毫秒。这是一个非常窄的波动范围。最好和最坏的时间差距不到 2.5 毫秒。

在实践中，这种一致性比单纯的性能指标更重要。实时应用不仅需要低平均延迟，还需要可预测的延迟。一个有时需要 50 毫秒的模型会导致摄像头画面出现明显的卡顿。而 YuNet 的表现非常平稳。你可以依靠它在下一帧到达之前完成当前帧的处理，这使得调度流水线的其余部分变得简单得多。

尺度差异揭示了真相

如果模型漏掉了场景中一半的人脸，那么单纯的运行速度就毫无意义。为了测试这一点，我将相同的源图像通过四种不同分辨率的 YuNet 进行处理。检测数量说明了一个清晰的问题：

  • 320 x 180: 检测到 6 张脸
  • 640 x 360: 检测到 26 张脸
  • 1280 x 720: 检测到 38 张脸
  • 2560 x 1440: 检测到 52 张脸

这种增长是剧烈的。在 320 x 180 分辨率下，只有最大、距离最近的人脸会被记录。提升到 640 x 360 时，检测数量翻了四倍。在全分辨率 1440p 下，YuNet 发现的人脸数量是最低分辨率下的八倍多。

这种情况发生的原因是，下采样破坏细节的速度比直觉预期的要快。在 1440p 帧中占据适度区域的人脸，在 360p 下可能会缩小成一个 5x5 像素的模糊斑点。一旦面部特征塌陷到模型感受野（receptive field）以下，它们就会变成不可见的噪声。眼睛与眉毛融合，鼻子消失，YuNet 也就失去了抓取特征的目标。

实际应用中的结论值得记住：如果你的摄像头捕捉的是教室、会议室或街角的广角视图，除非你为模型提供足够的像素，否则远处的脸部不会出现。在这里，分辨率不仅仅关乎图像质量，它还是影响召回率（recall）的直接杠杆。

你真正需要的缩放策略

YuNet 的速度非常快，你不需要出于习惯将输入强行压缩到 320 x 240。在 M4 Max 上，即使是 2560 x 1440 的分辨率，在没有独立 GPU 的情况下也能运行。这改变了你应该如何构建流水线的方式。

与其强迫每一帧都通过一个微小的固定尺寸，不如根据你想要寻找的目标来选择输入分辨率。如果你只关心摄像头正前方的人，720p 甚至 640p 就足够了。如果你需要记录大厅里的每一位参会者，请为模型提供更高分辨率的裁剪图或完整的原生帧。由于 YuNet 非常轻量，你有足够的余地来做出这种选择。你不会为了避免 200 毫秒的延迟而被迫锁定在单一的预设值上。

但仍有一个注意事项。模型仍然依赖于相对于输入张量的脸部大小。这里不存在神奇的尺度不变性。除非小脸占据足够的像素，否则它们依然是不可见的。解决方法非常直接：在寻找远距离目标时，在推理前将源图像向上调整尺寸，然后将生成的边界框映射回原始坐标。YuNet 为你提供了可以承担这一步骤的速度预算。

它在你的技术栈中的位置

YuNet 并不是所有可能的脸部任务的解决方案。严重的遮挡、极端的侧脸角度或 3D 网格提取都超出了它的范围。但对于在照片和视频流中定位人脸这类基础工作，它处于一个理想的平衡点。实时摄像头应用、自动照片筛选工具以及性能适中的嵌入式系统，都能从这种在标准 CPU 上运行飞快的检测器中获益。

INT8 ONNX 格式也让部署变得轻而易举。你不需要在目标设备上安装 PyTorch 或 TensorFlow。OpenCV 的 DNN 模块可以直接加载模型，这让你的二进制文件保持精简，并使依赖树保持浅层。

总结

YuNet 证明了人脸检测不需要工业级硬件或臃肿的框架。数据说明了一切：处理 720p 帧的时间不到 10 毫秒，且随着分辨率的提高，检测到的数量会直接且可预测地增加。你可以选择是在中等分辨率下追求极致速度，还是在高分辨率下追求更广的覆盖范围，模型不会因为你的选择而让你付出代价。

如果你正在构建任何涉及真实世界图像的应用，请在自己的硬件上运行上述复现步骤。针对你的素材进行测试。然后调整你的缩放逻辑，以匹配你实际需要寻找的人脸。速度只有在你可以精准掌控时才有用。YuNet 同时赋予了你速度与控制力。