当人脸识别从实验室走向生产环境，选型就变成了一件既看算法又看工程的事。很多团队拿着开源模型跑通demo后，一上并发就崩，一换光线就跪，这就是典型的“只看精度，不看鲁棒性”的后果。今天我们从工程落地的角度，聊聊人脸检测、人脸分析以及人脸识别API与SDK选型中那些容易被忽略的硬指标。

先拆清楚：API和SDK到底选哪个？

API是“拿来即用”，你传图片，它返回结构化数据，适合原型验证、低并发业务或不想维护底层算法的团队。SDK则是一段嵌入你App或服务器的代码，数据不出内网，延迟更低，适合对隐私敏感、高并发或需要离线运行的场景。**注意：很多供应商的“免费人脸API”只是限流试用版，QPS可能只有个位数，千万别拿生产流量去赌。** 我们实测过某号称免费的接口，连续调用200次后就开始返回503，这坑踩过的人才懂。

人脸检测与人脸分析的精度陷阱

人脸检测看的是“找得准不准”，人脸分析看的是“属性全不全”。但真正拉开差距的是**遮挡下的召回率**和**小脸检测能力**。比如戴口罩时，很多SDK的检测率直接掉到60%以下，而头部厂商能保持在85%以上。另外，年龄、性别、表情这些分析项，不同厂商的标注标准差异极大，A家的“25岁”在B家可能就是“32岁”——这直接影响业务侧的用户画像质量，选型时一定要拿自己的样本集去跑，别信宣传页上的AR曲线。

实操层面，建议搭建一个百张级别的自建测试集，包含：正脸、侧脸、逆光、暗光、小脸（像素低于80x80）、戴帽、口罩等场景。然后跑一遍候选供应商的免费人脸API或SDK试用版，记录每张图的检测框坐标和置信度，再用标注工具算IoU和准确率。**不要只看平均精度，要看最差那10%样本的表现**——那才是你线上真实遇到的长尾场景。

性能对比：延迟、并发与成本的三方博弈

我们拿市面上三款主流人脸识别API做了一组压测（均采用千元级GPU服务器，1000张混合场景图片），结果如下：

• 供应商A（头部云厂商）：平均延迟89ms，QPS峰值380，免费额度5000次/月，超出后按0.002元/次计费。
• 供应商B（垂直AI公司）：平均延迟142ms，QPS峰值210，提供免费人脸API（限1000次/天），商用授权费一口价。
• 供应商C（开源SDK自建）：平均延迟67ms（纯GPU推理），QPS无上限但需自己扛服务器，成本约0.8万元/月（含机器与运维）。

数据很直白：如果业务量低于每天1万次，选A的API最划算；如果超过每天10万次且延迟要求低于100ms，自建SDK才是归宿。B的定位比较尴尬，除非你需要的特定分析属性（如情绪识别）只有它做得好。

另外提醒一个隐蔽坑：**人脸识别API的计费不只是按次，还有“检测到人脸才收费”和“未检测到也收费”的差别**。有些供应商对空图或无人脸图照样扣费，这在批量过滤场景下成本能翻3倍以上。签约前一定把计费规则逐条看透，最好让销售白纸黑字写清楚。

免费人脸API的隐藏价值：先验证再投入

别急着买商用授权，先用免费额度把业务逻辑跑通。我们内部有个习惯：所有新项目必须先接免费人脸API做概念验证，用真实业务数据跑两周，看检测失败率、看延迟波动、看返回字段是否满足需求。这一步能过滤掉80%不合适的供应商。**但记住：免费版和付费版往往是两套底层模型**，免费版可能是轻量级模型，精度参数都不同，验证通过后还要在付费版上再测一轮。

人脸识别的选型本质是“在精度、延迟、成本之间找平衡点”。没有绝对的最好，只有最适合你业务场景的方案。建议团队把测试集和压测脚本固化下来，每半年复测一次供应商的指标变化——模型在升级，价格也在变，别做一次性决策。如果你正在纠结API和SDK的取舍，不妨先用免费人脸API拉通流程，再逐步演进到混合架构：高频请求走SDK本地处理，低频复杂分析走API云端兜底，这样既控成本又保体验。