Das Gesichtserkennung hat in den letzten Jahren intensives Interesse gefunden. Viele Arbeiten stellen spezielle Methoden zur Gesichtserkennung vor, die aus verschiedenen Perspektiven wie Modellarchitektur, Datenverstärkung, Labelzuweisung usw. stammen, was das Gesamtsystem und die Algorithmen immer komplexer macht. In dieser Arbeit weisen wir darauf hin, dass \textbf{zwischen Gesichtserkennung und generischer Objekterkennung kein Unterschied besteht}. Wir präsentieren eine starke, aber einfache Baseline-Methode für die Gesichtserkennung namens TinaFace. Als Backbone verwenden wir ResNet-50 \cite{he2016deep}, und alle Module und Techniken in TinaFace basieren auf existierenden Modulen, sind leicht umzusetzen und stützen sich auf generische Objekterkennung. Auf dem schwierigen Testset des beliebtesten und anspruchsvollsten Gesichtserkennungsbenchmarks WIDER FACE \cite{yang2016wider} erreicht unser TinaFace mit einem einzelnen Modell und einer einzelnen Skala einen durchschnittlichen Präzisionswert (AP) von 92,1%, was den meisten aktuellen Gesichtserkenner mit größeren Backbones übertrifft. Nach der Anwendung von Testzeitverstärkungen (TTA) übertrifft unser TinaFace die aktuell besten Methoden und erreicht einen AP von 92,4%. Der Code wird unter \url{https://github.com/Media-Smart/vedadet} verfügbar sein.