教程：在centos7上部署insigtface实现本地人脸识别大模型部署

发布日期： 2025-06-07 阅读量： 作者： 小编

在应用服务器上安装人脸识别大模型，并利用php方法调用模型进行人脸识别对比

需求满足：

l人脸识别大模型本地部署

lPHP 后端调用

l微信小程序上传照片调用

l无GPU，CPU多核利用

安装部署实施过程中最大的难点在于安装，因为存在各种依赖问题，内网环境不通源问题，很折腾。

服务器cpu：ntel(R) Xeon(R) Silver 4210R CPU @ 2.40GHz（10核20线程，性能中上）架构 x86，无显卡，cpu无集成显卡；

系统版本：CentOS Linux release 7.9.2009 (Core)

选择和安装开源大模型：

选择的开源大模型是 InsightFace

· 模型类型：ArcFace、Glint360K 训练的模型。

· 精度：在多个 benchmark（如 LFW、Megaface）上表现优异。

· 优势：可离线部署，支持 Python API，支持多种模型格式（ONNX、PyTorch、TensorRT）。

部署方式：

GPU推荐：NVIDIA 显卡 + CUDA + cuDNN。

CPU也可运行但速度慢。

需要安装的依赖：

1、python 3.7 + 【centos 7自带3.6 必须要升级】

2、opencv

3、python 库安装

python 3.7 安装：

直接离线安装：下载地址- https://www.python.org/ftp/python/3.7.13/Python-3.7.13.tgz

tar xzf Python-3.7.13.tgz

cd Python-3.7.13

sudo yum groupinstall "Development Tools" -y

sudo yum install gcc gcc-c++ make openssl-devel bzip2-devel libffi-devel -y

./configure --enable-optimizations

make

sudo make altinstall

这一步里面，有可能可以选择跳过这一步 sudo yum groupinstall "Development Tools" -y

安装完验证是否成功：

python3.7 --version

python库和opencv安装

pip3 install --upgrade pip pip3 install insightface numpy onnxruntime opencv-python fastapi uvicorn

这里需要注意下，python库安装命令有opencv的安装，所有opencv也会一并安装上。

安装完验证是否成功：

pip3.7 --version

至此，所有需要安装的依赖貌似安装完毕，但是启动py的时候才会发现还会报错

如果服务器上安装了宝塔：

可以在www/wwwroot下新建一个face_api这个文件夹：

在这个文件夹里新建一个face_service.py的文件

然后cd到这个文件夹下，执行

python3.7 face_service.py

启动大模型

这个时候因为是第一次启动，会触发下载模型文件。

这里有可能会报这个错：

[root@localhost wwwroot]# cd face_api/ [root@localhost face_api]# python3.7 face_service.py Traceback (most recent call last): File "face_service.py", line 1, in <module> from fastapi import FastAPI, File, UploadFile ModuleNotFoundError: No module named 'fastapi' [root@localhost face_api]#

是因为

修复措施：

pip3.7 install --upgrade pip

pip3.7 install insightface numpy onnxruntime opencv-python fastapi uvicorn

然后重新启动：

再次执行的时候可能有回报这个错❌

至此，所有需要安装的依赖安装完毕

运行方式：

进入到face_service.py所在文件夹，然后执行：

以下是face_service.py文件内容

from fastapi import FastAPI, File, UploadFile
from fastapi.responses import JSONResponse
import uvicorn
import numpy as np
import cv2
from insightface.app import FaceAnalysis

app = FastAPI()

# 初始化模型（使用默认模型 antelopev2，支持 CPU）
face_app = FaceAnalysis(name="antelopev2", providers=['CPUExecutionProvider'])
face_app.prepare(ctx_id=0)

# 提取人脸特征
def get_embedding(image_bytes):
    nparr = np.frombuffer(image_bytes, np.uint8)
    img = cv2.imdecode(nparr, cv2.IMREAD_COLOR)
    faces = face_app.get(img)
    if not faces:
        return None
    return faces[0].embedding

# 计算归一化余弦相似度
def cosine_similarity(a, b):
    return np.dot(a / np.linalg.norm(a), b / np.linalg.norm(b))

@app.post("/compare_faces")
async def compare_faces(file1: UploadFile = File(...), file2: UploadFile = File(...)):
    emb1 = get_embedding(await file1.read())
    emb2 = get_embedding(await file2.read())

    if emb1 is None or emb2 is None:
        return JSONResponse(content={"success": False, "message": "人脸未检测到"}, status_code=400)

    sim = cosine_similarity(emb1, emb2)
    is_same = bool(sim > 0.6)  # 阈值可调，可设为 0.65 或 0.7 提高准确度

    return {
        "success": True,
        "similarity": float(sim),
        "is_same_person": bool(is_same)
    }

# 如果直接运行
if __name__ == "__main__":
    uvicorn.run(app, host="0.0.0.0", port=8000)

以上是face_service.py文件内容

进入目录

cd /www/wwwroot

cd face_api

启动算法调试模式

uvicorn face_service:app --host 127.0.0.1 --port 8000 --reload --log-level debug

不启动调试模式

uvicorn face_service:app --host 127.0.0.1 --port 8000 --reload

这个时候再次运行，服务就起来了，他是这样的：

这个时候，因为在py文件里监听了8000的端口，所以在宝塔上要打开8000端口，这个时候在浏览器里就可以访问 127.0.0.1:8000

接下来就可以用php的方法去传两个照片给算法，让他出结果了，需要准备两张图片，传到文件夹下，可以先用curl的方法进行测试：

输入图片进行测试

都是你

curl -X POST http://127.0.0.1:8000/compare_faces \

-F "file1=@/www/wwwroot/long.jpg" \

-F "file2=@/www/wwwroot/long1.jpg"

一摸一样

curl -X POST http://127.0.0.1:8000/compare_faces \

-F "file1=@/www/wwwroot/long.jpg" \

-F "file2=@/www/wwwroot/long.jpg"

不是你

curl -X POST http://127.0.0.1:8000/compare_faces \

-F "file1=@/www/wwwroot/long.jpg" \

-F "file2=@/www/wwwroot/tp2.jpg"

都是你

curl -X POST http://127.0.0.1:8000/compare_faces \

-F "file1=@/www/wwwroot/long.jpg" \

-F "file2=@/www/wwwroot/tp1.png"

这个时候就会返回结果如下：

{"success":true,"similarity":0.1320914477109909,"is same person":false}

现在可以看到，输入了long和tp2 两张图片，这两张图片不是同一个人，返回的similarity是 0.13，后面显示is same person 是false。

然后可以在face_service.py这段代码里调整置信度

sim = cosine_similarity(emb1, emb2)

is_same = bool(sim > 0.6) # 阈值可调，可设为 0.65 或 0.7 提高

调整完了，然后重新启动服务即可。

阈值建议

归一化后相似度范围将是 -1 到 1，实际应用中你可以尝试以下几个阈值：

相似度阈值识别效果说明

0.3 以下极不相似
0.4-0.5多数不同人
0.6平衡点（建议起始测试阈值）
0.7-0.8 更严格（误识率更低）

curl的方法测试没有问题了，后续就用php的方法去做就行了。至此教程完成。

总结语：整体安装最耗时间的部分在于依赖，企业内网环境收到防火墙因为会更加磨人。此教程只是centos 7，在debian和其他linux版本，windows下，不通cpu架构，arm上安装又不同。但是总体而言，依赖安装完后，还是很好调用的。

上一篇: 智慧工厂管控平台建设方案与实施步骤