PaddleHub人脸检测示例(2.0环境，新版本模型)

PaddleHub人脸检测示例

ultra_light_fast_generic_face_detector_1mb_640

本示例利用Ultra-Light-Fast-Generic-Face-Detector-1MB模型完成人脸检测。Ultra-Light-Fast-Generic-Face-Detector-1MB是针对边缘计算设备或低算力设备(如用ARM推理)设计的实时超轻量级通用人脸检测模型，可以在低算力设备中如用ARM进行实时的通用场景的人脸检测推理。该PaddleHub Module的预训练数据集为WIDER FACE数据集，可支持预测，在预测时会将图片输入缩放为640 * 480。

NOTE： 如果您在本地运行该项目示例，需要首先安装PaddleHub。如果您在线运行，需要首先fork该项目示例。之后按照该示例操作即可。

ultra_light_fast_generic_face_detector_1mb_640
模型链接：https://www.paddlepaddle.org.cn/hubdetail?name=ultra_light_fast_generic_face_detector_1mb_640&en_category=FaceDetection

环境：PaddlePaddle2.0.0rc PaddleHub2.0.0b1 ultra_light_fast_generic_face_detector_1mb_640 1.1.2(最新版)

一、安装新版Hub

	!pip install paddlehub==2.0.0b1 -i https://pypi.tuna.tsinghua.edu.cn/simple

二、定义数据集

以本示例中文件夹下test_face_detection.jpg为待预测图片

实现效果

# 待检测照片
image = 'test_face_detection.jpg'

三、API预测

PaddleHub对于支持一键预测的module，可以调用module的相应预测API，完成预测功能。

def face_detection(images=None,
                   paths=None,
                   batch_size=1,
                   use_gpu=False,
                   visualization=False,
                   output_dir=None,
                   confs_threshold=0.5):

检测输入图片中的所有人脸位置

参数

• images (list[numpy.ndarray]): 图片数据，ndarray.shape 为 [H, W, C]，BGR格式；
• paths (list[str]): 图片的路径；
• batch_size (int): batch 的大小；
• use_gpu (bool): 是否使用 GPU；
• visualization (bool): 是否将识别结果保存为图片文件；
• output_dir (str): 图片的保存路径，当为 None 时，默认设为face_detector_640_predict_output；
• confs_threshold (float): 置信度的阈值。

返回

• res (list[dict]): 识别结果的列表，列表中每一个元素为 dict，关键字有 path, save_path, data，其中：
  • path 字段为原输入图片的路径（仅当使用paths输入时存在）；
  • save_path 字段为可视化图片的保存路径（仅当visualization=True时存在）；
  • data 字段为检测结果，类型为list，list的每一个元素为dict，其中’left’, ‘right’, ‘top’, ‘bottom’ 为人脸识别框，‘confidence’ 为此识别框置信度。

四、加载预训练模型并预测

Ultra-Light-Fast-Generic-Face-Detector-1MB提供了两种预训练模型，ultra_light_fast_generic_face_detector_1mb_320和ultra_light_fast_generic_face_detector_1mb_640。

• ultra_light_fast_generic_face_detector_1mb_320，在预测时会将图片输入缩放为320 * 240，预测速度更快。关于该模型更多介绍， 查看PaddleHub官网介绍
• ultra_light_fast_generic_face_detector_1mb_640，在预测时会将图片输入缩放为640 * 480，预测精度更高。关于该模型更多介绍， 查看PaddleHub官网介绍

用户根据需要，选择具体模型。利用PaddleHub使用该模型时，只需更改指定name，即可实现无缝切换。

import paddlehub as hub
import cv2

face_detector = hub.Module(name="ultra_light_fast_generic_face_detector_1mb_640")
result = face_detector.face_detection(images=[cv2.imread(image)],visualization=True)
print(result[0]['save_path'])
# or
# result = face_detector.face_detection((paths=['/PATH/TO/IMAGE'])

五、命令行预测

!hub run ultra_light_fast_generic_face_detector_1mb_640 --input_path "test_face_detection.jpg" --output_dir 'face_detector_640_predict_output' --visualization True

六、效果展示

预测结果展示

import matplotlib.pyplot as plt
import matplotlib.image as mpimg

test_img_path = result[0][‘save_path’]
img = mpimg.imread(test_img_path)
plt.figure(figsize=(10,10))
plt.imshow(img)
plt.axis(‘off’)
plt.show()

点我进入项目