【深度学习入门案例】二十行代码实现批量人脸检测

文章目录

• ​​一.前言​​
• ​​二.定义数据​​
• ​​三.加载预训练模型​​
• ​​四、预测​​
• ​​五.完整源码​​

一.前言

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。

二.定义数据

# 待预测图片
test_img_path = ["./test.jpg"]

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') 
plt.show()

首先展示如下：

若是待预测图片存放在一个文件中，如左侧文件夹所示的test.txt。每一行是待预测图片的存放路径。
例如我创建一个ren.txt

读取则代码为：

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

返回：

三.加载预训练模型

Ultra-Light-Fast-Generic-Face-Detector-1MB提供了 两种预训练模型。**ultra_light_fast_generic_face_detector_1mb_320ultra_light_fast_generic_face_detector_1mb_640。

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。
   代码为：

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")

四、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。

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()

返回如下：

预测结果保存到了相应的文件夹中，打开一个看看：

验证没有问题！yeah!!

五.完整源码

# coding=gbk
"""
作者：川川
@时间  : 2021/8/29 22:28
群：970353786
"""
#待预测图片
# test_img_path = ["./test.jpg"]
#
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')
# plt.show()

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

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")
## 预测
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("./test.jpg")
plt.figure(figsize=(10,10))
plt.imshow(img)
plt.axis('off')
plt.show()

如果你多人工智能也感兴趣，关注我吧，给个三连哦！