PaddleHub 2.0环境下的人脸关键点检测

目录

• PaddleHub人脸关键点检测
• face_landmark_localization 一、安装新版Hub 二、定义待预测照片 三、API预测 四、加载预训练模型并预测 五、命令行预测 六、实现效果

PaddleHub人脸关键点检测

face_landmark_localization

人脸关键点检测是人脸识别和分析领域中的关键一步，它是诸如自动人脸识别、表情分析、三维人脸重建及三维动画等其它人脸相关问题的前提和突破口。该 PaddleHub Module 的模型转换自 https://github.com/lsy17096535/face-landmark ，支持同一张图中的多个人脸检测。

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

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

环境：PaddlePaddle2.0.0rc PaddleHub2.0.0b1 face_landmark_localization 1.0.2(最新版)

一、安装新版Hub

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

二、定义待预测照片

以本示例中文件夹下face.jpg为待预测图片

image = "face.jpg"

三、API预测

def keypoint_detection(images=None,
                       paths=None,
                       batch_size=1,
                       use_gpu=False,
                       output_dir='face_landmark_output',
                       visualization=False)

识别输入图片中的所有人脸关键点，每张人脸检测出68个关键点（人脸轮廓17个点，左右眉毛各5个点，左右眼睛各6个点，鼻子9个点，嘴巴20个点）

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_landmark_output。

返回

• res (list[dict]): 识别结果的列表，列表元素为 dict, 有以下两个字段：
     

四、加载预训练模型并预测

import paddlehub as hub
import cv2

face_landmark = hub.Module(name="face_landmark_localization")

# Replace face detection module to speed up predictions but reduce performance
# face_landmark.set_face_detector_module(hub.Module(name="ultra_light_fast_generic_face_detector_1mb_320"))

result = face_landmark.keypoint_detection(images=[cv2.imread(image)],visualization=True)
print(result)
# or
# result = face_landmark.keypoint_detection(paths=['/PATH/TO/IMAGE'])

五、命令行预测

!hub run face_landmark_localization --input_path "face.jpg"

六、实现效果

免责声明：本文系网络转载或改编，未找到原创作者，版权归原作者所有。如涉及版权，请联系删