目录AdamCodd YOLOv11n face detection 完全指南：原理、TigerPro 接入、代码实战与落地案例（`AdamCodd-YOLOv11n-face-detection`）1. 开篇：这个模型解决什么问题1.1 人脸链路的标准拆分1.2 离岗与门禁的阈值策略1.3 误识与拒识的业务含义1.4 适合用 / 不适合用2. 模型名片与能力边界2.1 规格速查表2.2 输入输出约定（实施视角）2.3 资源与性能预期（经验区间，需本机实测）3. 在 TigerPro 架构中的位置3.1 与同分类模型的关系3.2 和平台其它模块怎么接线4. 使用教程：从零跑通到可验收4.1 准备权重（最容易翻车的一步）4.2 业务页操作清单4.3 列出并校验模型（必跑）4.4 业务调用示例4.5 命令行与前端选型4.6 推荐调参表5. 落地案例（可照着做）5.1 主案例：人脸底库比对5.2 对照案例：同场景换模型会怎样5.3 验收表（复制到飞书/表格）5.4 小故事：一次真实风格的排障路径（围绕 `AdamCodd-YOLOv11n-face-detection`）6. 优缺点、风险与替代7. 避坑清单（排障优先级）8. 工程化建议与监控8.1 部署检查清单8.2 日常观察8.3 安全与合规9. 常见问题 FAQ10. 文末互动11. 下篇预告12. 参考资料13. 原理深化与可视化（技术深度）13.1 为什么「能出结果」不等于「可上线」13.2 建议的对照实验设计（可直接抄）14. 数据配方与样本工程14.1 最小可行样本集（MVP）14.2 标注与真值14.3 域偏移应对15. 性能压测与容量规划15.1 压什么15.2 简易压测脚本思路15.3 容量经验法则16. 与 TigerPro 模块联调要点17. 进阶 FAQ 与决策树17.1 选型决策树（文字版）18. 本篇速查卡（可裁剪转发）附录补强 1：落地时的沟通话术、分工与复盘AdamCodd YOLOv11n face detection 完全指南：原理、TigerPro 接入、代码实战与落地案例（AdamCodd-YOLOv11n-face-detection）系列：TigerPro AI 模型手册（15/110）· 分类：人脸识别你能带走什么：原理边界、规格表、完整接入步骤、可运行代码、双案例、调参表、避坑与验收清单。适用读者：CV_PyhonVue_Tigerpro 研发 / 实施 / 算法联调同学。github地址:Tiger AI Plateform项目采用Apache License 2.0开源协议发布；请合法合规使用；https://github.com/5758703/CV_PythonVue_TigerPro1. 开篇：这个模型解决什么问题本地权重目录 uploads/models/AdamCodd-YOLOv11n-face-detection/（约 1 个相关文件）。可能由 seed 登记、训练产出或模型管理页下载产生。一句话记忆：AdamCodd YOLOv11n face detection的modelKey是AdamCodd-YOLOv11n-face-detection，任务是人脸识别（face-recognition），前端主要在人脸识别（/ai/face），典型场景是「人脸底库比对」。如果你只想最快跑通：先保证权重目录非空，再在对应业务页下拉选中本模型，用 5~10 条真实样本冒烟。如果你要对齐 CSDN 高质量博文标准：请继续读完整篇——后面包含原理边界、对照实验、压测、数据配方、发布 SOP 与决策树。1.1 人脸链路的标准拆分检测对齐 → 特征提取 → 底库比对。底库质量往往比换更大模型更重要：注册图要正脸、清晰、光照正常；一人多图能抗侧脸与口罩。1.2 离岗与门禁的阈值策略门禁偏「宁可多拒一次」（提高阈值）；离岗偏「不要漏报」（适度降低阈值并加时序确认）。TigerPro 人脸页与离岗页共用模型登记，但业务阈值应分开配置。1.3 误识与拒识的业务含义FAR（认错人）与 FRR（认不出本人）不可同时压到极限。先让业务方书面确认容忍哪一类错误，再锁阈值；否则算法侧会陷入无止境调参。1.4 适合用 / 不适合用更适合不太适合业务明确需要 人脸识别，且已有或可采集对应样本期望「一个模型包打天下」跨任务硬套能接受本地权重部署与 TigerPro 页面选型权重无法落地、只能纯云端且无替代接口需要与告警/追踪/MTMC/OCR 等模块组合只要一次性演示、不愿做验收与监控愿意维护金标集与版本回滚拒绝记录指标、只凭主观「看起来行」选型时把AdamCodd-YOLOv11n-face-detection放进「候选短名单」，用同一批样本对比同分类相邻模型的延迟与误差，再锁生产版本。短名单建议不超过 3 个 modelKey，否则对照实验会拖成月度项目。2. 模型名片与能力边界2.1 规格速查表项内容显示名称AdamCodd YOLOv11n face detectionmodelKeyAdamCodd-YOLOv11n-face-detection业务分类人脸识别任务类型face-recognition（人脸识别）推理框架/库local-weight版本标签-登记来源uploads/models权重相对路径uploads/models/AdamCodd-YOLOv11n-face-detection前端入口人脸识别 →/ai/face典型场景人脸底库比对上游地址项目内 / 本地权重2.2 输入输出约定（实施视角）维度说明输入按任务可能是图片/视频帧/音频/文本；页面/ai/face决定表单字段输出框/掩码/关键点/向量/文本/音频等；最终以后端 JSON 或文件流为准状态AiModel.status 启用 + file_path 非空才可稳定推理失败表现400/空列表/回退模型/日志 traceback，优先查权重与 task2.3 资源与性能预期（经验区间，需本机实测）环境预期建议笔记本 CPU可冒烟，延迟可能数百毫秒到数秒降分辨率/降 FPS/用 nano 或量化服务器多核 CPU可小并发限流 + 队列GPU视频与大批量更舒服注意显存与多模型争用3. 在 TigerPro 架构中的位置TigerPro 的模型不是散落脚本，而是「登记 → 绑定权重 → 业务页选择 → services 推理 → 展示/告警/入库」。本模型AdamCodd-YOLOv11n-face-detection同样走这条链路。理解位置，才能在监控墙、MTMC、告警之间排障。