肤色分级图表：2026 肤色分析美妆科技指南

什么是肤色分级图表？

肤色分级图表是一套标准化的视觉参考系统，用于根据从最浅到最深的连续谱对人类肤色进行分类，通常还会配合底色（冷色调、暖色调或中性）一并标注。对于消费者来说，这类图表回答了一个长期存在的问题：哪一款粉底色号最适合我？ 如今，玩美移动（Perfect Corp）的 AI 智能测肤找色工具可以即时回答这个问题——用实时肤色检测和个性化推荐取代人工猜测。

目前行业中有两大主要的分类体系：Fitzpatrick 光型分级（1975 年提出的传统金标准）和 Monk 肤色分级（MST）（2022 年面向 AI 时代的全新体系）。对于在 2026 年部署 AI 肤质分析的品牌来说，理解这两种体系都至关重要。

主流肤色分级体系对比

并非所有的肤色分级图表都是一样的。每一种体系都是围绕不同目的构建的——在为 AI 模型训练选择基础数据或设计包容性的产品矩阵时，这些差异会产生直接影响。

Fitzpatrick 分型（I–VI 型）：皮肤科的传统标准

Fitzpatrick 光型分级由美国皮肤科医生 Thomas B. Fitzpatrick 于 1975 年提出，最初目的是评估皮肤对紫外线的敏感性，而不是刻画肤色多样性。该体系根据皮肤在日晒后的反应，将肤质划分为六种光型：

在临床和科研场景中，Fitzpatrick 光型分级依然是应用最广泛的皮肤光型评估工具。但其以欧洲人群为中心的出发点也非常明显：V 型和 VI 型是在最初只包含四种、且全部聚焦白皮肤的分类基础上追加的。对于 AI 训练而言，这种偏向会导致可量化的代表性缺口——尤其是对于数量庞大的“棕色”和“深色”肤色人群，Fitzpatrick 实际上将其视作单一、缺乏区分度的类别。

Monk 肤色分级（MST）：AI 时代的新标准

2022 年，Google 与哈佛社会学家 Ellis Monk 博士合作推出了一套开源的 10 档肤色分级体系，专门用于弥补 Fitzpatrick 的不足。Monk 肤色分级体系具有以下特点：

• 覆盖 10 种不同肤色（对比 Fitzpatrick 的 6 种），尤其在深色肤色段提供更细致的颗粒度
• 将肤色与紫外线敏感度及种族概念解耦——衡量的是感知到的色素深浅，而非光反应特性
• 已被美国国立卫生研究院（NIH）采用，集成到多项 Google AI 产品中，并在 15 种光照条件下、超过 21,000 张图像中完成验证
• 采用开放授权（CC BY 4.0），任何品牌或研究机构都可免费使用

发表于《美国皮肤科医学院杂志（Journal of the American Academy of Dermatology）》的一项同行评审研究证实，对于深色肤色人群，MST 与分光光度测量结果的吻合度高于基于 Fitzpatrick 的自我报告或医生估算结果。对于部署 AI 的美妆品牌而言，这不仅是多元与包容的问题，更是性能问题：基于 Fitzpatrick 标签数据训练的 AI 模型，在深色肤色上的表现会系统性地偏弱。

Von Luschan 分级与 PERLA：小众但值得关注

Von Luschan 色阶（36 档）和 PERLA（为临床皮肤科开发的色度体系）可以提供更高的精细度，但在商用美妆科技领域应用有限——其复杂度使得在大规模场景下保持一致的标注质量几乎不可能。对于大多数品牌来说，2026 年的务实选择是：在临床/合规工作中采用 Fitzpatrick，在 AI 和包容性产品开发中采用 Monk。

肤色与底色：为何两者对产品匹配同样重要

肤色分级图表主要刻画一个人表层肤色的明暗深浅。然而，真正决定粉底、遮瑕或护肤产品在个体用户脸上是否自然协调的，往往是皮下的“底色”——也就是隐藏在表层之下的色调倾向。

三大底色类别

• 冷色调（Cool）：皮下带有粉色、红色或偏蓝色调。银色首饰通常更协调；静脉多呈蓝色或紫色。
• 暖色调（Warm）：皮下带有金色、蜜桃色或黄色调。金色首饰更显气色；静脉多呈绿色。
• 中性/橄榄色调（Neutral/Olive）：冷暖色调较为平衡。金色和银色首饰都可适配。橄榄肤色可能呈现略带绿色或灰色的底色，不完全落在传统冷/暖分类之中。

经典的 DIY 底色判断方法——例如静脉测试、首饰测试、白纸测试——具有一定参考价值，但稳定性有限。环境光线、残留妆品或底色本身就不明显，都会干扰判断。这也正是 AI 发挥价值的场景：通过对一张自拍中数千个色彩数据点的计算，AI 底色检测可以消除主观猜测，在大规模人群中持续输出一致、可执行的推荐。

AI 如何逐步取代静态肤色分级图表

无论是放在品牌官网上的在线肤色图表，还是专柜中的纸质色卡，静态工具都有一个共同局限：依赖用户自我判断。消费者往往在荧光灯下对比色块，猜测哪个色值更接近手腕肤色，出错率极高。色号不匹配导致的粉底退货，仍然是彩妆零售成本最高的问题之一。

AI 驱动的肤色检测则彻底改变了这一模式。基于智能手机摄像头或实时视频流，现代 AI 系统可以：

• 在一秒内识别用户在 Fitzpatrick 或 Monk 全谱系中的肤色位置
• 比人工判断更稳定地识别冷/暖/中性底色
• 将 89,969+ 种细分肤色变化实时映射到具体产品 SKU
• 进行 180° 面部分区映射，考虑面部不同区域的肤色差异
• 在不同人种、年龄和性别中保持稳定精度，即便光线条件存在变化

业务价值也同样清晰。Perfect Corp 的 AI 粉底找色解决方案在部署首月即帮助 M·A·C Cosmetics 客户互动提升 200%——通过即时、AI 确认的推荐流程，替代了繁琐的人工试色匹配。

AI 肤色检测的实际体验流程

消费者访问品牌官网或 App，点击“查找我的粉底色号”。摄像头启动，在一秒之内，AI 分析其肤色、识别 Fitzpatrick 类型、判断底色，并给出三款最接近的粉底推荐，同时支持虚拟试妆。无需图表、无需问卷、也无需退货。Perfect Corp 的 AI 智能测肤找色正是这样一套体验——可作为电商网页组件、移动 SDK 或门店端一体机部署，无需额外硬件。

对于品牌而言，后端能力同样关键：每一次分析都将生成一条基于真实用户的肤色分布数据，可用于库存规划、产品开发决策以及个性化营销，让业务判断建立在真实人群结构而非假设之上。

包容性肤色分级图表：代表性为何是业务刚需

美妆行业长期忽视深色肤色人群，不仅是伦理问题，更是显性的市场缺口。到 2025 年，以包容性色号匹配为核心的细分市场规模约为 1.63 亿美元，主要由积极扩展深色和极浅色号、跳出传统“中间色号”思路的品牌驱动。

对于 AI 赋能的美妆科技而言，包容性首先体现在训练数据上。若模型训练数据主要来自浅色肤色，系统就会对深色肤色用户给出系统性偏差的推荐——带来转化率下降、更高退货率，以及在推动品类增长的关键客群中造成品牌声誉风险。

在 AI 开发中逐步采用 Monk 肤色分级，正是对此挑战的直接回应。通过在深色肤色段提供更细粒度的表示，MST 让 AI 模型可以在 Fitzpatrick V 和 VI 型原本被压缩的区间内做出更精细区分。对于面向全球用户的品牌来说，一个在所有肤色上保持约 95% 精度的模型，与一个只在浅色肤色上表现良好的模型，其差异在于：前者是可扩展的个性化引擎，后者则可能演变为高成本、低回报的负债。

全球市场中的肤色分级图表

不同地区的肤色分布结构及消费者预期各不相同。以北美或欧洲人群校准的肤色分类体系，难以在南亚、东亚、非洲或拉丁美洲市场保持同样表现。进军这些市场的品牌需要基于当地代表性数据训练的 AI 模型，而不是简单将 1975 年 Fitzpatrick 体系做事后调整的一套“通用”图表。

构建品牌肤色战略：B2B 决策框架

对于部署 AI 肤质分析的美妆品牌、护肤企业与医美机构来说，一套完整的肤色战略通常包含三个相互关联的决策维度：

1. 选择适用的分类标准

对于 2026 年的大多数品牌而言，务实做法是同时支持 Fitzpatrick 和 Monk。Fitzpatrick 仍是防晒 SPF 建议、光敏风险提示、皮肤科转诊等临床或合规场景中的刚需标准；Monk 则更适合 AI 训练数据标注、粉底找色以及包容性产品开发。两者并非互相竞争，而是在测量维度上侧重点不同，领先的平台通常会同步兼容。

2. 使用多样化、精准标注的数据集训练 AI

AI 肤色检测能力的上限，取决于训练数据的质量。若模型仅基于少于 10,000 张图像，或数据过度集中于浅色肤色，在相当一部分用户群体上就会显著失真。品牌在选择供应商时，应重点关注 AI 提供方是否披露训练数据集的多样性、验证方法以及跨人群精度基准。

Perfect Corp 的 AI 肤质分析基于超过 70,000 张医疗级图像进行训练，在不同肤色、肤质、年龄和性别人群中，实现 95% 的测试-重测可靠性，并通过临床验证，与医生评估结果保持 80% 以上的一致性。

3. 将肤色数据融入整套产品与运营体系

一次肤色检测并不只是生成一个粉底推荐，而是产生了一条应贯穿 CRM、库存系统、推荐引擎和个性化逻辑的关键数据。若品牌仅将肤色分析视作一次性的客户服务功能，就会错失其在持续个性化和用户留存方面的长期价值。

肤色分级图表的应用场景：从粉底到护肤

肤色分类并不限于粉底色号匹配。在更广泛的美妆与医美品类中，精准的肤色识别可以支撑多种高商业价值的应用：

玩美移动AI 如何进行肤色分类

玩美移动的 AI 粉底找色解决方案 通过三个步骤完成体验：即时肤色检测、个性化粉底推荐以及虚拟试妆——整个流程只需一次基于智能手机摄像头的人脸扫描。

在检测阶段，AI 深度学习算法会基于包含 89,969 种细分肤色的数据库，覆盖从浅到深的连续梯度以及从暖到冷的真实底色分布，对人类全谱系肤色进行分析。为确保精度，系统内置自动光照检测算法，当环境光线过强或过弱时提醒用户进行调整，并配备人脸对齐检测机制，确保合适的拍摄距离和正面角度，从而尽量减少阴影对肤色识别结果的干扰。

肤色识别完成后，AI 会将结果映射到品牌自有产品目录，并实时给出最接近的粉底色号推荐。用户可直接在面部和颈部进行虚拟试妆，同时尝试与底色匹配的更暖或更冷的备选色号。覆盖度可调，AR 效果支持雾面和光泽等不同粉底妆效。

最终，用户获得的是一套去除猜测成分的粉底选购体验。该解决方案可作为电商网页模块、移动 SDK、微信小程序或线下顾问工具部署，覆盖各大核心零售触点。

常见问题：肤色分级图表

四种基础肤色类型是什么？

在面向消费者的美妆语境中，最常见的四种基础肤色类别是：白皙（fair）、偏白（light）、中等（medium）和深色（deep/dark）。它们大致对应 Fitzpatrick I–II 型（白皙）、III 型（偏白至中等）、IV 型（中等至小麦色），以及 V–VI 型（深色至极深色）。在实际应用中，专业级 AI 系统通常会使用更高颗粒度的分类——仅 Monk 体系本身就包含 10 个不同的肤色档位，以便在完整肤色谱系中实现更精准的产品匹配。

Fitzpatrick 分型的主要用途是什么？

Fitzpatrick 光型分级最初是为皮肤科紫外线光疗剂量制定而开发的。如今，它常用于防晒产品推荐、临床研究、激光治疗方案设计，以及作为 AI 肤色分类的基础参考。尽管其六档体系被广泛认可，但也因偏重欧洲人群、对深色肤色刻画不够精细而受到批评。 

什么是 Monk 肤色分级体系？

Monk 肤色分级（MST）是一套包含 10 档的开源肤色分类系统，由哈佛社会学家 Ellis Monk 博士开发，并于 2022 年由 Google 发布。该体系旨在更公平、全面地覆盖全球不同人群的肤色分布，相较 Fitzpatrick 提供更好的代表性。目前 MST 已被 NIH 采用，集成于多项 Google AI 产品，并在经同行评审的皮肤科研究中被证实，在多元肤色数据集标注方面优于 Fitzpatrick。

如何判断自己的肤色底色？

相对可靠的 DIY 方法包括静脉测试（静脉呈蓝/紫色通常为冷色调，绿色偏多则为暖色调）和首饰测试（银色更显气色通常为冷色调，金色更适合则为暖色调）。不过，这些方法对光线和个人主观判断高度敏感。通过对实时或已上传照片中成千上万个色彩数据点进行分析的 AI 底色检测，相比任何人工自测方式，都能提供更稳定、客观的结果。

AI 美妆工具通常采用哪种肤色分级体系？

头部 AI 美妆平台通常会支持 Fitzpatrick 分型用于临床相关场景，同时越来越多地在训练数据标注和包容性 AI 开发中采用 Monk 肤色分级。以 Perfect Corp 的 AI 肤质分析为例，系统可检测超过 89,000 种独特肤色变化，并在实时环境下将其映射到标准化分级体系以及品牌自有产品目录。

AI 肤色检测的准确度如何？

精度高度依赖具体平台及其训练数据质量。Perfect Corp 的临床验证结果显示，在不同肤色人群中，测试-重测可靠性可达 95%，与皮肤科医生评估结果的相关性超过 80%。品牌在选择 AI 肤色工具时，应重点关注的指标包括：跨人群精度拆分、训练数据多样性披露，以及在不同光线条件下的测试-重测稳定性。

肤色会随时间变化吗？

表层肤色会随日晒、季节变化、晒黑行为以及特定护肤/医美项目而发生变化。相比之下，底色在一生中相对稳定，因为它由更深层的黑色素分布模式决定。针对长期用户运营而设计的 AI 肤质分析，应区分这两者——动态追踪表层肤色变化，同时将个性化逻辑锚定在更稳定的底色信号上。