应改用model="large"提升关键点精度、预处理强制对齐、禁用自动缩放；限定中央区域检测、加置信度过滤与帧间稳定性判断；统一用采集帧时间戳、关闭OpenCV缓冲、加数据库唯一约束；树莓派上换insightface ONNX模型、降采样、禁用多线程。
face_recognition 库识别准确率低，人脸对不齐怎么办
默认 face_recognition.face_encodings() 对输入图像做粗略检测和编码，若人脸偏转大、光照不均或分辨率低（比如监控截图），编码向量偏差明显，导致 face_recognition.compare_faces() 返回 False 即使是同一个人。
- 用
model="large"参数提升关键点定位精度：face_recognition.face_encodings(img, model="large")，它会调用更重的 CNN 模型检测 68 个关键点，比默认的"small"（仅 5 点）更适合非正脸场景 - 预处理强制对齐：先用
face_recognition.face_landmarks()提取左右眼坐标，仿射变换校正角度，再送入编码；避免直接 resize 后识别 - 禁用自动缩放：
face_recognition.load_image_file()默认将长边缩至 800px，可能模糊细节；改用 OpenCV 读图 + 手动 resize 到 1280×720 再处理
多人同时出镜时，如何确保只匹配签到人而非旁观者
face_recognition.face_locations() 返回所有检测到的人脸坐标，但没提供“谁在看镜头”“谁在说话”等语义信息，容易把后排同事或路过人员误判为打卡人。
- 加位置约束：限定只处理画面中央 60% 区域内的人脸，过滤边缘误检：
[top, right, bottom, left] for (top, right, bottom, left) in locations if 0.2 h h and 0.2 w w - 加置信度过滤：用
face_recognition.face_distance()替代布尔比较，设阈值0.45（越小越相似），避免compare_faces()的硬截断导致邻近编码被一刀切 - 加帧间稳定性判断：连续 3 帧都匹配同一张注册照，才触发打卡，防单帧抖动误判
考勤时间戳与人脸识别结果不同步，打卡记录错乱
常见问题是摄像头采集帧、模型推理、数据库写入三个环节时间未对齐，尤其 USB 摄像头存在 200–500ms 延迟，导致记录的时间比实际人脸出现晚半秒以上。
macOS UI 自动化技能包 —— 用 Python 控制你的 Mac
下载
让 macOS 自动化像说话一样简单 —— 用代码控制你的 Mac，无需学习 AppleScript 系统要求 macOS 14+ (Sonoma) Python 3.9+ 需要开启：辅助功能 + 屏幕录制权限
- 所有时间戳统一用采集帧的系统时间（不是推理完成时间）：
timestamp = datetime.now().strftime("%Y-%m-%d %H:%M:%S")必须在cv2.VideoCapture.read()后立刻获取 - 关闭 OpenCV 的自动缓冲：
cap.set(cv2.CAP_PROP_BUFFERSIZE, 1)，否则read()可能返回缓存旧帧 - 数据库插入前加唯一约束：联合索引
(employee_id, DATE(timestamp))，防止同一人当天重复打卡被写入多条
部署到树莓派等边缘设备时，face_recognition 直接卡死
face_recognition 依赖 dlib 的 CPU 版本，在树莓派 4B（4GB）上运行 face_encodings() 单帧耗时超 8 秒，且常因内存溢出被 OOM killer 杀掉。
- 改用轻量替代：用
insightface的 ONNX 模型 +onnxruntime推理，单帧控制在 1.2 秒内（ARM64 优化版） - 降采样输入：将摄像头原始 1080p 流缩放为 640×480 再送入模型，精度损失约 3%，但速度提升 3 倍
- 关键是禁用多线程：dlib 默认启用所有核，但在 ARM 上调度反成瓶颈，启动前加
os.environ["OMP_NUM_THREADS"] = "1"
实际跑通的关键，往往不在“能不能识别人脸”，而在于你有没有在第一帧就拿到准确时间戳、有没有把边缘设备的内存爆掉、有没有让系统把路过同事也记成打卡人——这些点不手动抠，模型再准也没用。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
