PaddleHub教程合集---（3）PaddleHub人脸检测示例

PaddleHub教程合集—（3）PaddleHub人脸检测示例

本示例利用Ultra-Light-Fast-Generic-Face-Detector-1MB模型完成人脸检测。
该模型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。

一、定义待预测数据

#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(AISTUDIO)运行，需要首先fork该项目示例。
!pip install paddlehub==1.6.2 -i https://pypi.tuna.tsinghua.edu.cn/simple

# 待预测图片
%matplotlib INLINE 
test_img_path = ["./test_face_detection.jpg"] #根据路径找到该图片

import matplotlib.pyplot as plt 
import matplotlib.image as mpimg 
img = mpimg.imread(test_img_path[0]) 
# 展示待预测图片
plt.figure(figsize=(10,10))
plt.imshow(img) 
plt.axis('off')  #是否显示坐标轴刻度
plt.show()

!cat test.txt
with open('test.txt', 'r') as f:
    test_img_path=[]
    for line in f:
        test_img_path.append(line.strip())
print(test_img_path)

二、加载预训练模型+三、预测

Ultra-Light-Fast-Generic-Face-Detector-1MB提供了两种预训练模型

1. 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
2. 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
   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
module = hub.Module(name="ultra_light_fast_generic_face_detector_1mb_640")
# module = hub.Module(name="ultra_light_fast_generic_face_detector_1mb_320")

#
input_dict = {"image": test_img_path}
# execute predict and print the result
results = module.face_detection(data=input_dict, visualization=True)
for result in results:
    print(result)
    
# 预测结果展示
img = mpimg.imread("face_detector_640_predict_output/test_face_detection.jpg")
plt.figure(figsize=(10,10))
plt.imshow(img) 
plt.axis('off') 
plt.show()

四、总结

PaddleHub用Ultra-Light-Fast-Generic-Face-Detector-1MB完成对该文件的人脸检测

1. 读入该文件—将文件内容存成list (list中每个元素是待预测图片的存放路径)
2. 导包paddlehub选模型 module=
   paddlehub.Module(name=“ultra_light_fast_generic_face_detector_1mb_640”)或者paddlehub.Module(name=“ultra_light_fast_generic_face_detector_1mb_320”)
3. 列表数据转成字典input_dict = {“image”: test_img_path}
4. 结果results = module.face_detection(data=input_dict, visualization=True)
5. 图片结果展示