SwarmUI中YOLO人脸分割模型的检测优化指南

问题背景

在使用SwarmUI进行图像生成时，用户发现YOLO人脸分割模型(yolo-face_yolov8m-seg_60.pt)在检测多个人脸时表现不如预期。特别是在生成包含人群的场景时，模型往往只能检测到最明显的一个或几个人脸，而无法像ADetailer扩展那样检测到所有可见的人脸。

技术分析

YOLO(You Only Look Once)是一种流行的实时目标检测算法，其分割版本可以同时完成目标检测和像素级分割。在SwarmUI中，该模型通过特定的标记语法调用：

<segment:yolo-face_yolov8m-seg_60.pt,置信度阈值,IOU阈值>

其中：

• 置信度阈值(默认0.6)控制检测的严格程度
• IOU阈值(默认0.2)控制重叠检测的处理

检测优化方案

1. 调整检测阈值：

   • 降低置信度阈值可以增加检测到的面孔数量
   • 示例：<segment:yolo-face_yolov8m-seg_60.pt,0.3,0.2>

2. 使用掩码可视化：

   • 通过"Advanced -> Regional Prompting -> Save Segment Mask"功能
   • 可以直观查看模型检测到的人脸区域
   • 帮助调整参数和优化提示词

3. 模型选择：

   • 不同版本的YOLO模型检测能力不同
   • 可以尝试yolov9c等更新版本

4. 选择性处理：

   • 使用"-n"参数指定处理第n个检测到的人脸
   • 例如<segment:yolo-face_yolov8m-seg_60.pt-2>处理第二个检测到的人脸

与ADetailer的差异

虽然两者都使用YOLO模型，但检测效果可能有差异，主要原因包括：

1. 使用的YOLO模型版本不同
2. 默认参数设置不同
3. 后处理逻辑差异

最佳实践建议

1. 对于人群场景，建议将置信度阈值降至0.3-0.4
2. 先使用掩码可视化功能验证检测效果
3. 必要时可以组合多个分割标记处理不同人脸
4. 对于重要人脸，可以使用负索引确保其被检测到

通过合理调整参数和利用SwarmUI提供的工具，可以显著提升YOLO人脸分割模型在复杂场景中的检测效果。