不用 GPU!700 行 Python 代码实现人脸替换(一):动机与架构

系列目录

• （一）动机与架构 ← 本文
• （二）SCRFD 人脸检测：16800 个锚点的设计哲学
• （三）关键点检测：为什么 106 个点全挤在 5×7 像素里
• （四）规范空间对齐：从"四条眉毛"到正确换脸
• （五）三角剖分与仿射变换：换脸的核心算法
• （六）mask、膨胀与泊松融合：最后 10% 的细节

换脸 = GPU？我偏不

在大多数人印象里，"AI 换脸" 等于 "需要一张 NVIDIA 显卡"。你在 GitHub 搜 face-swap，首页全是 PyTorch、CUDA、8GB 显存起步。

但换脸真的需要 GPU 吗？

人脸检测、关键点定位、图像变形——这些任务在 CPU 上完全可以跑。真正需要 GPU 的是训练模型，而推理，尤其是轻量级模型的推理，CPU 足矣。

所以我在一个周末，用三个现成的 ONNX 模型 + OpenCV，从零写了一个纯 CPU 的人脸替换程序。697 行 Python 代码，没有深度学习框架依赖，一个 pip install 就能跑。

三个模型，各司其职

我从 InsightFace 模型库下载了三个 ONNX 模型：

三个模型加起来 20MB，比一张表情包还小。

架构：把问题拆开

换脸这件事，本质上是五个子问题的组合：

1. 检测 — 图里有人脸吗？在哪？
2. 定位 — 眉毛、眼睛、鼻子、嘴巴具体在哪？
3. 对齐 — 源脸和目标脸姿态不一样，先"摆正"再换
4. 变形 — 把源脸 warp 成目标脸的形状
5. 融合 — 把变形后的脸无缝贴回目标图

每一步对应代码里的一个模块：

face_detector.py      → 检测（SCRFD 推理 + 解码 + NMS）
landmark_detector.py  → 定位（2d106det 推理 + 坐标反归一化）
face_aligner.py       → 对齐（仿射变换到规范 192×192 空间）
face_swapper.py       → 变形+融合（三角剖分→逐△warp→mask膨胀）
main.py               → 编排上述四步 + CLI

为什么这个架构能跑在 CPU 上？

第一，模型足够小。 SCRFD 的 500m 版本专为移动端设计，2.5MB；2d106det 和 MobileFaceNet 也是轻量级架构。

第二，ONNX Runtime 的 CPU 推理优化得很好。 比 PyTorch 的 CPU 模式快 2-3 倍，还支持 INT8 量化。

第三，不涉及训练。 所有模型都是预训练好的，只需前向推理。

一张 2000×2000 的图，在我的笔记本（i7-12700H）上跑完整条流水线约 1.5 秒。

代码量

不到 700 行。除去空行和注释，核心逻辑大概 500 行。

接下来

这个系列的每一篇会深入一个模块，讲清楚算法原理和我踩过的坑。下一篇从人脸检测开始——SCRFD 是怎么用 16800 个锚点覆盖从 20×20 到 640×640 各种尺寸的人脸的。

下一篇：（二）SCRFD 人脸检测：16800 个锚点的设计哲学