过去两年，我们为零售、园区、教育等行业的二十多个项目做过人脸相关集成。一个很深的体会是：选错API的代价，往往比选贵了更大。本文从实际工程视角，聊聊人脸检测、人脸分析以及人脸识别API、SDK的评估方法。

先分清能力边界，再谈指标

很多团队一上来就对比准确率，其实方向偏了。人脸检测解决的是"图里有没有脸、在哪"，输出的是坐标框和关键点；人脸分析进一步给出年龄、性别、遮挡、姿态等属性；而人脸识别API、SDK要完成的是1:1比对或1:N检索。三者对算力和数据的要求完全不同。

• 检测：关注最小人脸像素、侧脸召回、误检率
• 分析：关注属性准确率与推理延迟的平衡
• 识别：关注底库规模下的Top-1命中率与误识率（FAR）

业务适配比排行榜更重要

我们做过一个门禁项目，测试集上识别率99.2%，上线后却频繁失败。原因是现场逆光严重，而厂商公开指标基于理想光照。后来换用支持宽动态预处理的SDK，问题才缓解。选型时务必用自己业务场景的真实样本做验证，而不是跑厂商Demo。

另外，免费人脸API适合验证阶段或低频调用场景，但通常有QPS限制、不支持私有化，长期商用要评估合规与稳定性。若涉及敏感数据，优先考虑可本地部署的SDK。

落地时的几条实践建议

1. 先明确阈值策略：误识和拒识哪个代价更高
2. 压测并发与冷启动延迟，而非只看单帧耗时
3. 确认活体检测是否内置，防照片攻击是刚需

人脸检测与人脸分析的选型没有标准答案，关键是让技术指标对齐业务容错空间。把测试集换成自己的数据，很多纠结会自然清晰。