做边缘端人脸检测，OpenCV/MediaPipe/YOLOv8n到底选哪个？

你攒了个树莓派4B做单元门禁，跑人脸检测代码的时候，要么识别慢半拍拍不到人正脸，要么CPU占满直接把门禁程序卡崩——大概率是一开始检测方案选错了。很多人做边缘视觉项目上来就搜“准确率最高的人脸检测模型”，根本没算过硬件能不能扛。

实测硬参数对比

所有数据都是在树莓派4B 2G版、官方IMX219摄像头、640*480输入分辨率下，连续跑10分钟取的平均值，没有虚标：

• OpenCV Haar级联：单帧推理120ms左右，CPU占用28%，模型大小不到1MB，侧脸、暗光下漏检率超40%
• MediaPipe Face Detection：单帧推理35ms，CPU占用42%，模型大小2.7MB，正脸检测准确率93%，大角度侧脸漏检较多
• YOLOv8n-face：CPU下单帧推理180ms（开NPU加速后40ms），CPU占用87%，模型大小6MB，戴口罩、大角度侧脸场景下准确率仍能到89%

对着场景直接选型

做个简单的人脸触发功能，比如人靠近自动开显示屏、有人经过才触发录像，直接用OpenCV自带的Haar级联就行，不用额外装重依赖，模型小到可以直接嵌进单片机固件。初始化代码就两行：

import cv2
cascade = cv2.CascadeClassifier(cv2.data.haarcascades + 'haarcascade_frontalface_default.xml')

做普通人脸打卡、家用门禁这类对正脸识别率有要求，硬件没有NPU加速的，选MediaPipe性价比最高，推理速度够快，还顺带输出6个脸部关键点，简单的眨眼活体检测不用额外加模型。

需要戴口罩识别、大角度侧脸抓拍的场景，比如工地通道、校园门禁，再考虑上YOLOv8n-face，记得一定要开板端NPU加速，不然光靠CPU跑会把其他业务进程的资源全抢光。

别盲目追高指标模型，我之前给客户做楼道感应灯的人感功能，一开始上YOLOv8n，后来换成Haar级联，硬件成本从树莓派4B降到Zero 2W，连续跑3个月没崩过。