最近接了一个企业培训短片的制作任务，素材里涉及大量员工人脸和内部文件画面。客户要求不得将原始素材传出公司网络。这直接排除了常规云端检测方案------速度确实快，但合规红线过不去。
试了自建 YOLO 路线。yolov11-face 权重下载不到半小时搞定，PyTorch CUDA 环境配了一整天。跑通后发现问题：单帧推理加追踪器更新要 200+ms，4K 视频根本扛不住。更麻烦的是，人脸刚入画时淡入过渡会留下几十毫秒的露脸窗口，转场切换时遮罩还会活过画面------这些漏检在安全审核里是硬伤。
换了桌面端工具重跑一遍。导入视频，选人脸识别，等自动完成后再逐段看预览、手动补框，导出成片，前后不到二十分钟。没有 CUDA 环境依赖，也没有追踪重启后 ID 撞号导致整段丢失的问题（那种问题的根因是 track id 从 1 重新编号时把旧轨覆盖掉）。这个方案里用的是抹影的追踪逻辑，和前面自建的 OpenCV CSRT/KCF 追踪器思路一致，但对齐到具体工程细节时，省去了大量状态管理的工作量。
三种路径的适用面很明确：开源模型适合有运维能力的团队做深度定制；云端 API 适合非敏感批量任务；桌面工具适合合规优先且不想养 GPU 资源的小团队。纯本地推理不是伪命题，但前提是你的工作负载和硬件能匹配。