YOLO Face 人脸检测 CLI 完全教程8 个核心参数详解轻松掌控 conf、imgsz 与 max_det【免费下载链接】yolo-faceYOLO Face in PyTorch项目地址: https://gitcode.com/gh_mirrors/yo/yolo-faceYOLO Face是一个基于 PyTorch 的开源人脸检测项目在 Ultralytics YOLO 框架上预训练了人脸、行人、建筑工人等多类检测模型。本文带你用YOLO CLI 命令行工具完成人脸检测深入讲解conf、imgsz、max_det等 8 个核心参数的用法与调参技巧让你几行命令就能获得理想的检测效果。 快速开始一条命令启动人脸检测先克隆仓库并安装依赖git clone https://gitcode.com/gh_mirrors/yo/yolo-face cd yolo-face pip install ultralyticsYOLO CLI 的通用语法非常简单yolo TASK MODE ARGS其中ARGS是一串参数名值的键值对必须用等号参数之间用空格分隔。项目提供的人脸检测推理完整命令如下yolo taskdetect modepredict modelyolov11n-face.pt conf0.25 imgsz1280 line_thickness1 max_det1000 sourceexamples/face.jpg这条命令里恰好包含8 个核心参数下面逐一拆解。 8 个核心参数逐个详解下表先给出速览参数默认值可在 ultralytics/yolo/cfg/default.yaml 中查找到#参数示例值默认值作用1taskdetect自动推断指定任务类型detect / segment / classify2modepredict无必填运行模式train / val / predict / export3modelyolov11n-face.pt无模型文件路径4sourceexamples/face.jpg无图片、视频、目录或流地址5conf0.250.25置信度阈值6imgsz1280640输入图像尺寸7max_det1000300单图最大检测数8line_thickness13检测框线宽像素① taskdetect声明这是检测任务人脸检测属于目标检测因此固定传taskdetect。该参数可选YOLO 会根据模型自动推断但显式声明可以避免歧义也更利于命令行阅读。三大任务类型detect、segment、classify的说明见 docs/cfg.md。② modepredict选择预测模式mode是必填项决定这次命令做什么train训练模型val验证模型精度predict对图片/视频做推理 ← 本文主角export导出为 ONNX 等部署格式③ model加载预训练人脸模型项目提供 n / s / m / l 多个规格的人脸检测模型yolov8n-face.pt到yolov12l-face.pt在 README.md 的 Models 章节列出。选型建议追求速度选n版追求精度选s及以上。nnano系列在小图、低分辨率场景下往往性价比最高。④ source指定检测目标source可以是单张图片、图片目录、视频文件也可以是摄像头或网络流。批量处理目录时结果会保存到runs/目录中方便回看。⑤ conf0.25置信度阈值控制漏检与误检的平衡 ⭐conf是最常用的调参项。含义是低于该置信度的检测框会被直接丢弃。调高如conf0.5更严格误检减少但可能漏掉模糊、侧脸的小人脸调低如conf0.1更敏感小脸不容易漏但可能出现框到不像脸的脸 经验值日常人脸检测从0.25起步密集小脸场景如监控全景可降到0.1~0.15。⑥ imgsz1280输入分辨率决定速度与小脸召回率 ⭐imgsz指定送入模型的图像边长。人脸往往是图中小目标分辨率越高小脸越不容易被压没imgsz640默认值速度快适合实时视频流imgsz1280README 中人脸检测推荐的值细节保留更好imgsz960,540还支持w,h格式按实际画面比例设置可减少缩放变形分辨率翻倍耗时约翻 2~4 倍务必在速度与召回之间取舍。⑦ max_det1000单图检测数量上限 ⭐max_det限制每张图最多保留多少个检测框默认 300见 ultralytics/yolo/cfg/default.yaml。人脸检测场景人物可能非常多如工地、体育场默认 300 容易被截断项目 README 将其设为1000。如果 NMS 之后框数超过该值低分框会被裁掉调大它才能保证一个都少不了。⑧ line_thickness1检测框线宽微调line_thickness控制输出图上边框的像素宽度。原图分辨率越高越建议用小值如1否则框线会显得笨重低分辨率缩略图则可用默认3。它不影响检测精度纯视觉输出参数可随意调整。 三参数联动conf、imgsz、max_det 怎么配合调三者是漏斗式关系imgsz决定模型看到多少细节 →conf过滤低质量框 →max_det兜底限量。常见问题的对症思路症状优先调整示例误检多框到路人、海报调高confconf0.4小脸漏检调大imgsz同时降confimgsz1280 conf0.15人多时框被截断调大max_detmax_det1000视频处理太慢调小imgsz或加vid_stride2抽帧imgsz640 vid_stride2 训练自己的检测模型同一套 CLI 语法想用自己的数据如 WIDERFace微调模型把mode换成train即可参数体系完全一致yolo taskdetect modetrain modelyolo11n.pt datadatasets/data.yaml epochs100 batch32 imgsz640训练完成后仓库在 results/yolov11n_widerface/ 目录保存了完整实验记录损失与 mAP 曲线、PR 曲线、混淆矩阵和训练参数快照 args.yaml。训练过程还会自动生成标签统计图帮助你在训练前快速检查数据集标注质量❓ 新手常见问题速查参数之间要写什么分隔符空格。正确写法是conf0.25 imgsz640写成conf 0.25或--conf 0.25都会报错规范说明见 docs/cli.md。结果保存在哪里默认为runs/detect/predict/下可用projectxx nameyy自定义目录结构。验证和推理的 conf 不一样验证模式默认conf0.001尽量保留所有候选框以准确评估推理模式默认conf0.25这是刻意设计不是 Bug。如何查看全部可用参数运行yolo help或直接阅读 ultralytics/yolo/cfg/default.yaml 中带注释的完整参数表CLI 行为回归测试可参考 tests/test_cli.py。✅ 总结YOLO Face 借助 YOLO CLI 把人脸检测的门槛降到最低一条yolo taskdetect modepredict model... source...命令即可出结果用conf调精度与误检的平衡用imgsz换取小脸召回用max_det防止密集场景截断训练、验证、导出共用同一套参数语法学一次到处用从推理到训练再到部署导出掌握这 8 个参数你就拿到了 YOLO Face 人脸检测项目的完全控制键 。【免费下载链接】yolo-faceYOLO Face in PyTorch项目地址: https://gitcode.com/gh_mirrors/yo/yolo-face创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考