如何从源码构建 InsightFace Server 镜像并用本地镜像启动服务【免费下载链接】insightfaceState-of-the-art 2D and 3D Face Analysis Project项目地址: https://gitcode.com/GitHub_Trending/in/insightfaceInsightFace Server 是一个自托管的人脸识别服务把 SCRFD 检测、ArcFace 特征提取、SQLite 存储和 Web UI 打包在一个容器里提供/v1REST API 和 Web 界面。如果你不想直接拉取官方发布镜像而是想在完整仓库上修改代码后自行构建镜像、再用构建出的本地镜像启动并验证服务这篇文章给出仓库文档中的完整操作路径。适用环境是 Linux x86_64 主机需要 Docker Engine 和 Docker Compose主机上不需要安装 Python、OpenCV、ONNX Runtime、CUDA Toolkit 或 cuDNN。构建前提完整的仓库 checkoutDockerfile 会从两个位置拷贝代码server/全部内容和python-package/insightface/下的部分推理模块app、model_zoo、utils等所以完整的 insightface 仓库就是构建上下文不能只拷server/子目录到别处构建。server/Makefile 中的build-cpu和build-cuda12目标执行的docker build使用了--platform linux/amd64构建上下文是..即仓库根目录产物分别打上标签CPU 镜像ghcr.io/deepinsight/insightface-server:0.2.0-cpuCUDA 12 镜像ghcr.io/deepinsight/insightface-server:0.2.0-cuda12两个目标还会透传代理相关的 build args 和INSIGHTFACE_SERVER_VERSION默认0.2.0。构建使用固定的基础镜像和锁定的依赖文件如 requirements.cpu.lock但仍需要网络访问来下载这些输入。构建过程里 Dockerfile 还会先编译server/native/search下的原生检索库CPU 版编译libifs_search_cpu.soCUDA 版编译libifs_search_cuda.so并运行 ctest 测试所以构建机上的时间会比普通镜像构建长。第一步从源码构建镜像在仓库根目录执行# 构建 CPU 镜像 make -C server build-cpu # 或构建 CUDA 12 镜像可选分支需要 NVIDIA GPU make -C server build-cuda12如果走 CUDA 分支主机需要额外满足受支持的 NVIDIA GPU、NVIDIA 驱动和 NVIDIA Container Toolkit。用户指南 给出的驱动要求是Turing、Ampere、Ada、Hopper 需要 R535 或更新的驱动Blackwell 和 RTX 50 系列需要 570.26 或更新新部署建议 R580 或更新。CUDA 镜像内已经包含 CUDA Runtime 12.9.1、cuDNN 9.24.0、Python 3.11 和onnxruntime-gpu1.27.0这些都不需要装在主机的容器环境之外。构建完成后可以用docker images确认存在0.2.0-cpu/0.2.0-cuda12标签的本地镜像。第二步用本地镜像安装模型发布镜像和本地构建的镜像都不包含模型文件。模型通过 Compose 里的models一次性服务安装到仓库下的server/.models目录compose 文件 将其只读挂载为容器内/models。关键点是加上--pull never确保这一步用的是你刚构建的本地镜像而不是从 registry 拉同名标签的公共镜像# CPU 路径 docker compose -f server/deploy/compose.cpu.yml \ run --rm --pull never models install buffalo_l --accept-license # CUDA 12 路径把 compose.cpu.yml 换成 compose.cuda12.ymlinstall会在下载前显示模型许可条款不带--accept-license时工具只打印条款并退出不下载。安装成功后会在server/.models生成manifest.json和带签名的MODEL.LICENSE。支持的公开模型包有buffalo_ldet_10g.onnxw600k_r50.onnx、buffalo_m、buffalo_sc和antelopev2。可以用models verify buffalo_l校验包的标识、签名许可和有效期。注意许可限制公开的 InsightFace 预训练模型包括buffalo_l仅可用于非商业研究用途商业使用需要单独授权。第三步启动服务# CPU docker compose -f server/deploy/compose.cpu.yml \ up -d --no-build --pull never # CUDA 12把 compose 文件换成 compose.cuda12.yml参数相同--no-build --pull never两个参数共同保证 Compose 直接使用本地构建的镜像。Compose 文件里端口映射为 CPU 主机端口18097、CUDA 主机端口18098都映射到容器内8080。数据持久化在名为insightface-simple-cpu-data或insightface-simple-cuda12-data的命名卷中配置文件 server/config/server.toml 被只读挂载到/etc/insightface/server.toml。验证构建结果健康检查# CPU curl -fsS http://127.0.0.1:18097/v1/health # CUDA 12 curl -fsS http://127.0.0.1:18098/v1/healthDockerfile 中配置的容器级 HEALTHCHECK 也是每 30 秒请求一次http://127.0.0.1:8080/v1/health连续失败会在docker ps中反映出来。System 页面打开http://SERVER:18097/CPU或http://SERVER:18098/CUDA先查看Dashboard或System。服务、数据库、模型和 provider 都必须处于就绪状态后才能注册数据。CUDA 部署必须报告CUDAExecutionProvider——每次启动时 Server 会检查 GPU 型号、Compute Capability、驱动版本、实际 CUDA/cuDNN/ORT 版本、detector 和 recognizer 的真实 Session 以及真实 warm-up 推理任一检查失败进程直接终止不会静默回退到 CPU。功能验证按 用户指南 的首次工作流依次在 Web UI 创建 Collection、注册一个至少有一张清晰照片的 Person然后用该 Person 的另一张照片做Search。搜索无匹配时返回空列表这是正常成功结果不是服务故障。限制与后续操作配置变更server.toml 只在启动时读取一次改完例如[detection]的input_sizes、threshold、nms_threshold必须重启容器才生效没有运行时配置 API。对外暴露前必须开启认证仓库自带的 Compose 文件默认INSIGHTFACE_AUTH_ENABLEDfalse只适合隔离评估。对外提供服务前在启动前导出INSIGHTFACE_AUTH_ENABLEDtrue和INSIGHTFACE_API_KEY再执行up -d。API key 以哈希形式存储之后启动时换一个 key 会主动轮换该数据卷上的有效密钥。停止与数据用docker compose ... down不带-v保留数据库卷down -v会永久删除命名数据卷。升级或批量维护前先对/data做 SQLite 安全快照。能力边界当前发布是 0.2.0仅支持 Linux x86_64不实现 CUDA 11、Jetson、ARM64、Windows 容器、TensorRT、Kubernetes 或多租户授权。构建脚本与镜像定义的更多细节可参考 server/README.md 的 Build from source 一节、Dockerfile.cpu / Dockerfile.cuda12以及 维护者指南。【免费下载链接】insightfaceState-of-the-art 2D and 3D Face Analysis Project项目地址: https://gitcode.com/GitHub_Trending/in/insightface创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
如何从源码构建 InsightFace Server 镜像并用本地镜像启动服务【免费下载链接】insightfaceState-of-the-art 2D and 3D Face Analysis Project项目地址: https://gitcode.com/GitHub_Trending/in/insightfaceInsightFace Server 是一个自托管的人脸识别服务把 SCRFD 检测、ArcFace 特征提取、SQLite 存储和 Web UI 打包在一个容器里提供/v1REST API 和 Web 界面。如果你不想直接拉取官方发布镜像而是想在完整仓库上修改代码后自行构建镜像、再用构建出的本地镜像启动并验证服务这篇文章给出仓库文档中的完整操作路径。适用环境是 Linux x86_64 主机需要 Docker Engine 和 Docker Compose主机上不需要安装 Python、OpenCV、ONNX Runtime、CUDA Toolkit 或 cuDNN。构建前提完整的仓库 checkoutDockerfile 会从两个位置拷贝代码server/全部内容和python-package/insightface/下的部分推理模块app、model_zoo、utils等所以完整的 insightface 仓库就是构建上下文不能只拷server/子目录到别处构建。server/Makefile 中的build-cpu和build-cuda12目标执行的docker build使用了--platform linux/amd64构建上下文是..即仓库根目录产物分别打上标签CPU 镜像ghcr.io/deepinsight/insightface-server:0.2.0-cpuCUDA 12 镜像ghcr.io/deepinsight/insightface-server:0.2.0-cuda12两个目标还会透传代理相关的 build args 和INSIGHTFACE_SERVER_VERSION默认0.2.0。构建使用固定的基础镜像和锁定的依赖文件如 requirements.cpu.lock但仍需要网络访问来下载这些输入。构建过程里 Dockerfile 还会先编译server/native/search下的原生检索库CPU 版编译libifs_search_cpu.soCUDA 版编译libifs_search_cuda.so并运行 ctest 测试所以构建机上的时间会比普通镜像构建长。第一步从源码构建镜像在仓库根目录执行# 构建 CPU 镜像 make -C server build-cpu # 或构建 CUDA 12 镜像可选分支需要 NVIDIA GPU make -C server build-cuda12如果走 CUDA 分支主机需要额外满足受支持的 NVIDIA GPU、NVIDIA 驱动和 NVIDIA Container Toolkit。用户指南 给出的驱动要求是Turing、Ampere、Ada、Hopper 需要 R535 或更新的驱动Blackwell 和 RTX 50 系列需要 570.26 或更新新部署建议 R580 或更新。CUDA 镜像内已经包含 CUDA Runtime 12.9.1、cuDNN 9.24.0、Python 3.11 和onnxruntime-gpu1.27.0这些都不需要装在主机的容器环境之外。构建完成后可以用docker images确认存在0.2.0-cpu/0.2.0-cuda12标签的本地镜像。第二步用本地镜像安装模型发布镜像和本地构建的镜像都不包含模型文件。模型通过 Compose 里的models一次性服务安装到仓库下的server/.models目录compose 文件 将其只读挂载为容器内/models。关键点是加上--pull never确保这一步用的是你刚构建的本地镜像而不是从 registry 拉同名标签的公共镜像# CPU 路径 docker compose -f server/deploy/compose.cpu.yml \ run --rm --pull never models install buffalo_l --accept-license # CUDA 12 路径把 compose.cpu.yml 换成 compose.cuda12.ymlinstall会在下载前显示模型许可条款不带--accept-license时工具只打印条款并退出不下载。安装成功后会在server/.models生成manifest.json和带签名的MODEL.LICENSE。支持的公开模型包有buffalo_ldet_10g.onnxw600k_r50.onnx、buffalo_m、buffalo_sc和antelopev2。可以用models verify buffalo_l校验包的标识、签名许可和有效期。注意许可限制公开的 InsightFace 预训练模型包括buffalo_l仅可用于非商业研究用途商业使用需要单独授权。第三步启动服务# CPU docker compose -f server/deploy/compose.cpu.yml \ up -d --no-build --pull never # CUDA 12把 compose 文件换成 compose.cuda12.yml参数相同--no-build --pull never两个参数共同保证 Compose 直接使用本地构建的镜像。Compose 文件里端口映射为 CPU 主机端口18097、CUDA 主机端口18098都映射到容器内8080。数据持久化在名为insightface-simple-cpu-data或insightface-simple-cuda12-data的命名卷中配置文件 server/config/server.toml 被只读挂载到/etc/insightface/server.toml。验证构建结果健康检查# CPU curl -fsS http://127.0.0.1:18097/v1/health # CUDA 12 curl -fsS http://127.0.0.1:18098/v1/healthDockerfile 中配置的容器级 HEALTHCHECK 也是每 30 秒请求一次http://127.0.0.1:8080/v1/health连续失败会在docker ps中反映出来。System 页面打开http://SERVER:18097/CPU或http://SERVER:18098/CUDA先查看Dashboard或System。服务、数据库、模型和 provider 都必须处于就绪状态后才能注册数据。CUDA 部署必须报告CUDAExecutionProvider——每次启动时 Server 会检查 GPU 型号、Compute Capability、驱动版本、实际 CUDA/cuDNN/ORT 版本、detector 和 recognizer 的真实 Session 以及真实 warm-up 推理任一检查失败进程直接终止不会静默回退到 CPU。功能验证按 用户指南 的首次工作流依次在 Web UI 创建 Collection、注册一个至少有一张清晰照片的 Person然后用该 Person 的另一张照片做Search。搜索无匹配时返回空列表这是正常成功结果不是服务故障。限制与后续操作配置变更server.toml 只在启动时读取一次改完例如[detection]的input_sizes、threshold、nms_threshold必须重启容器才生效没有运行时配置 API。对外暴露前必须开启认证仓库自带的 Compose 文件默认INSIGHTFACE_AUTH_ENABLEDfalse只适合隔离评估。对外提供服务前在启动前导出INSIGHTFACE_AUTH_ENABLEDtrue和INSIGHTFACE_API_KEY再执行up -d。API key 以哈希形式存储之后启动时换一个 key 会主动轮换该数据卷上的有效密钥。停止与数据用docker compose ... down不带-v保留数据库卷down -v会永久删除命名数据卷。升级或批量维护前先对/data做 SQLite 安全快照。能力边界当前发布是 0.2.0仅支持 Linux x86_64不实现 CUDA 11、Jetson、ARM64、Windows 容器、TensorRT、Kubernetes 或多租户授权。构建脚本与镜像定义的更多细节可参考 server/README.md 的 Build from source 一节、Dockerfile.cpu / Dockerfile.cuda12以及 维护者指南。【免费下载链接】insightfaceState-of-the-art 2D and 3D Face Analysis Project项目地址: https://gitcode.com/GitHub_Trending/in/insightface创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
