64核CPU开发机上从零部署 YOLO 数据脱敏系统自动驾驶数据合规实战无 GPU 环境下的检测/分割脱敏 pipeline覆盖人脸 / 车牌 / 人体轮廓全打码 训练三合一模型路径前言做自动驾驶数据、安防、或任何涉及个人隐私的视觉业务绕不开一个词脱敏。人脸、车牌属于典型个人信息按《汽车数据安全管理若干规定》《个人信息保护法》数据对外使用前必须匿名化处理。本文记录一次完整实战在一台没有 GPU 的 64 核云开发机上从零部署一套能对人脸、车牌、人体轮廓自动打码的脱敏系统支持图片、视频、批量处理并探讨了训练三合一单模型的完整路径。全程踩坑与经验一并附上。一、开发机环境先摸清环境这决定了后面能做什么、不能做什么。项目情况系统Ubuntu 20.04CPU / 内存64 核 / 246G很强GPU❌无 GPU—— 只能推理不能训练Python3.8.10磁盘124G 可用外网GitHub 不通国内镜像通关键网络经验镜像加速避免踩坑pip 装包 → 百度内网源mirrors.baidubce.com秒装GitHub 权重 →https://ghfast.top/https://github.com/...实测 2MB/sghproxy.net太慢别用HuggingFace 模型 →https://hf-mirror.com/...实测 3MB/sCOCO 图片 →http://images.cocodataset.org/test2017/直连可用二、部署的脱敏模型脱敏 检测/分割目标 打码。用了三个专业模型分别负责三类目标目标模型文件架构来源人脸yolov8n-face.pt6MYOLOv8n 检测HFarnabdhar/YOLOv8-Face-Detection车牌plate.pt41MYOLOv5m 检测HFkeremberke/yolov5m-license-plate人体/车辆轮廓yolov8s-seg.pt23MYOLOv8s 实例分割ultralytics 官方通用兜底yolov5su.pt18MYOLOv5s 检测COCO 80类ultralytics 官方⚠️ 踩坑车牌模型加载plate.pt是旧版 yolov57.0.14训练的不能用新版 ultralytics 加载fuse()/forward()签名冲突。必须用独立 yolov5 包importos os.environ[HF_ENDPOINT]https://hf-mirror.comimportyolov5 myolov5.load(./plate.pt)# 必须 ./ 前缀强制本地文件m.conf0.25三、关键概念检测框 vs 实例分割脱敏人体有两种精度很多人会搞混需求模型类型输出效果框住整个人打码检测yolov5su矩形框连人带背景一大块糊掉沿人体轮廓打码实例分割yolov8-seg像素级 mask✅ 只糊人形背景完整保留结论做数据脱敏应优先用实例分割——只隐去目标本身保留场景数据仍可用于后续训练。四、一体化脱敏工具 anonymize.py把三个模型整合成一个命令行工具支持四种目标、三种输入四种目标face人脸、plate车牌、body人体轮廓、vehicle车辆轮廓三种输入单张图片 / 视频 / 整个文件夹批量批量图片走多进程加速64 核打码方式mosaic马赛克/blur高斯模糊用法# 单图全脱敏python3 anonymize.py in.jpg out.jpg--targetsall# 只脱敏人脸车牌python3 anonymize.py in.jpg out.jpg--targetsface,plate# 视频python3 anonymize.py in.mp4 out.mp4--targetsall# 批量文件夹多进程python3 anonymize.py ./输入目录 ./输出目录--targetsall--workers16# 用高斯模糊代替马赛克python3 anonymize.py in.jpg out.jpg--modeblur实测性能CPU无 GPU单图全目标约 1~2 秒批量 4 张图8 workers6 秒视频全目标约 4.7 fps1 分钟视频约需 5 分钟五、视频脱敏移动的人和车结论完全可行。视频逐帧图片每帧独立检测打码移动目标在哪一帧出现就在哪一帧被处理。实测 150 帧行人视频打码 170 张脸 488 个人物头部 1 车牌全目标视频过马路行人沿轮廓遮挡、车辆沿车身遮挡街景完整保留局限CPU 逐帧串行较慢大批量视频可再加视频切段多进程提速。六、车端部署DLA 资源受限脱敏放在哪一层车端实时脱敏合规最彻底但抢占车端算力云端回传后脱敏行业主流车端算力留给感知主任务混合车端粗脱敏 云端精脱敏DLA 有限时一个模型 vs 两个模型→明确偏向一个模型单模型输出多类。因为 DLA 上两个模型的代价被放大2 次推理、双份权重驻留、模型切换开销、排队掉帧。省的不只是算力还有切换/驻留/排队等隐性成本。→ 例外若合并模型精度不够而 GPU 有余量可 face 跑 DLA、plate 跑 GPU 做异构分流。车端部署路径平台无关的前两步一样.pt → ONNX → INT8量化 → 目标芯片编译 ├─ Orin: TensorRT engine ├─ 地平线: OpenExplorer → .bin └─ 黑芝麻: 山海工具链七、训练三合一单模型目标训练一个模型同时脱敏 人脸车牌人体轮廓。模型选型YOLOv8-seg一个网络同时输出检测框 像素级 mask3 个类别0face, 1plate, 2person。核心难点数据的部分标注问题不同公开数据集各自只标一类WIDER FACE 只标脸、CCPD 只标车牌、COCO 只标人直接混训会互相打架。✅ 解决方案伪标注知识蒸馏用已部署的 3 个专业模型去自动标注大批图片生成每张图同时含 faceplateperson的统一数据集绕开部分标注问题。街景图 → [faceplateseg 三模型自动标注] → 统一数据集 → 训练单个 yolov8s-seg⚠️ 训练卡点无 GPUCPU 训 YOLO 不可行。训练必须在 GPU 机器上进行建议租 4090约 ¥2/小时训完约 ¥50~100几小时完成。完整落地步骤扩充数据下载 COCO 图 → 跑伪标注脚本⚠️ 用公开数据集原图COCO/BDD100K/Cityscapes不要乱爬网站隐私版权风险租 GPU把数据集 训练脚本传上去训练yolo segment train ...100 epochs几小时部署训好的best.pt替换现有 3 模型一次推理搞定三种脱敏八、重要提醒生产落地必读车牌模型是欧美牌照训练的—— 对中国蓝牌/绿牌/黄牌准确率打折国内场景应换CCPD中国车牌数据集训练的模型。人脸模型是 nano 最小档—— 小/远/侧脸易漏检追求高召回应升到 s/m 档。漏检 隐私泄露—— 生产环境需调低 conf 阈值宁可多打码 加目标跟踪补漏。数据合规—— 脱敏含 PII 的数据不应发外部云端 API应本地/私有化部署数据不出境需求应选境内机房。九、小结这套系统在没有 GPU 的环境下用现成专业模型快速搭起了可用的脱敏 pipeline覆盖人脸、车牌、人体轮廓三类目标支持图片/视频/批量。训练三合一单模型的数据准备伪标注也已完成只差 GPU 一步即可训出车端友好的单模型。如果这篇对你有帮助欢迎点赞收藏。有问题欢迎评论区交流。