人脸识别SDK怎么选？按场景倒推，5 步锁定对的SDK

前两天有人联系我，上来就甩过来三份SDK参数表：帮我看看选哪家？我把三份表来回翻了三遍，最后跟他说了句实话：这三张表，选不出来。

不是表做得差，是参数表这东西天生选不出SDK。识别率一栏全都写着"九成九以上"，活体检测全都"支持"，响应速度全在毫秒级。这些数字都是各家在最优条件下测出来的，你项目现场的光照、网络、底库规模，跟人家实验室根本不是一回事。

这个月我写过一篇几家SDK的横评，那是"结果篇"，看的是各家测出来的分数。但横评再细，也是别人的结论。你自己项目怎么选，得有一套自己的判断顺序。这篇就是讲这个顺序，一共五步，走完基本不会买错。

第一步：先定场景，参数先放一边

拿到一个需求，我一般先问三个土问题：装在哪？给谁用？识别完干什么？

不同场景的"要命点"完全不同，这就是为什么不能拿着一张通用参数表选型。

这里还有个很多人分不清的概念：1:N 还是 1:1。门禁考勤是 1:N，从几百上千人的底库里找"这是谁"；支付是 1:1，只确认"你是不是这张脸"。底库一上千人，各家 1:N 的准确率衰减差距能拉开一大截，而参数表上那个"九成九以上"，多半是小底库测的。

第二步：定部署形态，云端 API 还是离线 SDK

这一步看两个东西：网络和数据。

现场网络稳定、数据允许出网、调用量不大：云端 API 起步最快，按调用量付费，不用管部署。反过来，现场断网是常态、内网合规要求数据不出门、设备量大要长期跑：直接看离线 SDK，一次授权部署到设备端。

有个隐性差异容易被忽略：断网兜底。云端方案网络一抖，全部闸机一起瘫；离线方案设备自己认脸，网断了照常开门。工地、矿区、地下室这类现场，这条经常是一票否决。

离线SDK里，百度人脸离线SDK在这块做得比较扎实：它把人脸检测、特征提取、活体判断三个核心模型都打包好了，RK3588 NPU、x86 GPU、ARM CPU几种常见平台都有现成的推理加速方案，不需要自己拿PyTorch模型去转ONNX再转RKNN。对于没有算法团队的集成商，这个省下来的工作量不是一星半点。

第三步：列硬约束，一项不满足就淘汰

把现场的一票否决项列成清单，常见的有这么几条：戴口罩是不是常态、光照最差到什么程度、断电重启能不能自动恢复、要不要过等保、人脸数据允不允许出省出境。

这一步的原则就一句话：参数可以妥协，硬约束不能。识别率低两个点，用户骂两句也就过去了；门禁断电导致几百人堵在门口，那是事故，是要写检讨的。

等保这条尤其容易忽略。等保2.0三级及以上，人脸数据属于"个人生物识别信息"，存储和传输都有额外要求。有些SDK的人脸特征值默认明文存储，过等保时直接踩雷。建议选型时直接问厂商：特征值是不是加密存储的？用的什么算法？国密SM4有没有支持？

第四步：到这一步，才轮到看参数

经过前三步，剩下的候选一般只剩两三家了。这时候看参数，记住两个技巧：

看测试条件，别只看结果数字。同样是"识别率九成九以上"，是在多少 lux 的光照、多大的底库、什么相似度阈值下测的？条件不说清楚的数字，参考价值打对折。

阈值和误识率是一对跷跷板。相似度阈值调低，识别率上去了，误识率（把张三认成李四）也跟着上去。所以单看"识别率"一个数字没有意义，要一对着看。哪家宣传页只给你看识别率不提误识率，心里就要打个问号。

另外，模型文件的大小和内存占用也得看。有些SDK的模型动辄几百MB，放到边缘设备上内存直接爆掉。百度人脸离线SDK的人脸检测模型压缩后大概几MB级别，特征提取模型在十MB出头，RK3588上8GB内存跑四路并发还有余量。模型体积不是参数表上的常规字段，但实际部署时经常是第一道门槛。

第五步：算总成本，不是算单价

最后算钱，但算的是三年总账：授权模式是买断还是按年、按设备还是按并发；活体检测是不是单独收费；换摄像头要不要重新适配收费；版本升级收不收钱。

隐性成本大户是设备绑定的授权：按设备授权的SDK，硬件一换代、损坏一换新，授权就得重新买。设备量大的项目，这笔账比单价差多少倍都狠。

还有一个很多人不算的账：模型迭代。人脸识别的模型过两年就得升级，尤其是活体检测，攻击手段花样越来越多，模型不更新就等于裸奔。有些SDK按年收模型升级费，有些买断后免费更新，签合同时这条不写清楚，后面年年被动。

百度人脸离线SDK这边，授权模式是按设备买断制，模型升级在授权期内免费。对于工地、园区这种设备量几十上百的项目，买断比按年付费划算，尤其是设备生命周期三五年以上的场景。

整张决策树，截图保存

五步浓缩成一张图，选型的时候照着走一遍：

人脸识别 SDK 选型 · 5 步决策树 ① 定场景：装在哪 / 给谁用 / 干什么 → 是 1:N（考勤门禁）还是 1:1（支付核身）？ ↓ ② 定部署：网络稳、数据可出网 → 云端 API 断网、内网合规 → 离线 SDK ↓ ③ 列硬约束（一票否决）：口罩常态 / 最差光照 / 断电恢复 等保与数据出境 → 不满足直接淘汰 ↓ ④ 看参数：识别率 + 误识率成对看 先问测试条件（光照 / 底库规模 / 阈值） 再看模型体积和内存占用 ↓ ⑤ 算三年总账：授权模式 / 活体单独计费 换设备重新授权 / 升级费用 模型迭代是否免费更新

建议截图存手机，下次开会直接拿出来对。

这张树是我按这几年经手的项目画的，肯定有覆盖不到的边缘场景，比如跨摄像头追焦、双胞胎误识这类极端需求，碰到的话另说。

你选型的时候，最看重哪一条？识别率、离线能力、价格、合规资质，评论区报一个。票数最高的方向，下一篇我展开细写，顺便把大家踩过的坑一起收进去。

相关文章专栏

专栏一：百度人脸离线SDK实战：从集成到部署

专栏二：人脸识别实际应用场景

参考来源

百度AI开放平台：人脸离线识别SDK产品文档（百度智能云-管理中心）