浏览器里跑实时眼镜检测，27毫秒一帧怎么做到的

一个开发者最近开源了个小工具，能在浏览器里实时判断你有没有戴眼镜。不是什么云端API，也不需要上传照片——摄像头画面直接进模型，推理结果立刻出来。整个流程跑下来，平均延迟只有27毫秒。

这个项目叫FrameFind。作者最初只是想试试浏览器本地跑计算机视觉能有多快，结果做出了一个让自己都意外的速度。

核心技术栈很精简：ONNX Runtime Web负责推理，MediaPipe的FaceMesh提取面部关键点，可选WebGPU加速，不支持时自动降级。模型本身只有6.2MB，第一次加载后能被浏览器缓存，回头再打开几乎是秒启动。

真正让速度起飞的，是一个反直觉的裁剪策略。作者没有让模型处理完整画面，而是用FaceMesh landmarks定位眼睛区域，只把112x112像素的小块送进模型。ROI（感兴趣区域）缩小后，计算量断崖式下跌，帧率却稳住了。

完整流水线长这样：FaceMesh定位 → 眼部区域裁剪 → 张量归一化 → ONNX推理 → 时序平滑。最后一步 smoothing 是必须的，因为单帧预测会抖动，尤其遇到光线变化或面部遮挡时，连续几帧的结果需要加权平均才能稳定输出。

作者还封装了一个React hook，意图很明显：让前端开发者能直接拖进UI，不用管底层管线。另外配了个Node.js版本做服务端图片处理，但浏览器端才是主战场。

这个项目的真正野心不在"眼镜检测"这个功能本身。作者想验证的是：小型专用视觉模型，能不能让浏览器里的实时交互变得更实用？

传统做法是把视频帧发到服务器，或者调用重量级云API。FrameFind走了一条相反的路——计算全部留在客户端。代价是模型必须够小、够专，好处也直观：零网络延迟、零隐私泄露风险、零服务器成本。

6.2MB的体积，27毫秒的推理速度，这两个数字放在一起，说明浏览器本地跑轻量CV模型已经跨过"能用"的门槛，正在逼近"好用"。

项目已开源，Demo和代码链接在作者主页。如果你在做需要实时视觉反馈的Web应用，这个流水线值得参考。