一、产品概述

RFace‑100 是一款基于 ResNet‑100 模型结构优化训练的人脸识别模型，采用 亿级训练数据集进行大规模训练，具有较强的特征表示能力和良好的泛化性能。适用于大规模库比对、高精度验证和实时身份识别场景。

二、标准指标表现（公开验证集）

1. LFW: 99.84%
2. CFP‑FP: 99.37%
3. AgeDB‑30: 98.58%
4. IJB‑C（FAR=1e‑4）: 97.72%
5. IJB‑C（FAR=1e‑3）: 98.34%

以上指标采用行业通用公开评估协议衡量，可用于横向对比主流人脸识别算法性能。常见评估数据集（如 LFW、CFP‑FP、AgeDB‑30、IJB‑C）设计用于考察模型在不同光照、姿态、表情及跨年龄等复杂变化条件下的鲁棒性与准确率，指标越高表明模型在标准验证任务上越能稳定区分同一人与不同人身份。

三、指标含义及实际价值

1. 高 LFW / CFP‑FP / AgeDB‑30 准确率
2. 反映模型在人脸对比任务（1:1 验证）上的高准确性，适合低误识和高一致性验证场景。
3. 高 IJB‑C 性能（低 FAR 下的 TPIR）
4. 在严格误识率阈值下依然保持较高的真正识别率，表明模型在安全敏感应用（如门禁、安防）中能够更好地控制误接受率与拒绝率平衡。
5. 亿级训练底库训练
6. 大规模训练数据有助于提升模型对不同人群、姿态、光照变化等多样化样本的泛化能力，使得模型在实际部署场景中表现更稳定可靠。

四、实际应用场景

RFace‑100 可用于以下场景：

1. 大规模库比对与检索
2. 企业考勤、人脸打卡系统（已验证：基于 200 万像素监控视频输入，支持5万人特征库实际使用）
3. 门禁验证与身份确认
4. 监控视频中实时人脸比对
5. 企业/组织内部身份黑名单/白名单管理

支持在高并发和大数据量条件下开展特征检索和比对。

五、部署环境与集成

支持下列推理引擎与平台：

1. ONNX Runtime（提供案例代码）
2. TensorRT（提供案例代码）
3. PyTorch（提供案例代码）
4. CANN（提供案例代码）
5. NCNN（模型原理上可以部署，未作实际验证）

提供多框架部署示例代码、输入输出规范和集成示例。

六、交付内容

1. 模型文件（权重及配置）
2. 多平台部署示例
3. 接口调用示例
4. 技术说明文档（输入/输出格式、特征维度说明等）
5. 配套人脸检测模型（5点关键点）
6. 售后技术支持

七、测试与验证支持

买家可提供自身测试数据或典型场景样例，我们可根据样例进行实测并反馈效果指标，以便评估模型在特定环境下的适用性。

项目仅提供代码模型，不提供训练数据，可以协助客户完成私有数据训练