精华内容
下载资源
问答
  • 本示例利用PaddleHub中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...

    如何快速搭建人脸检测项目

    本示例利用PaddleHub中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。

    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。

     

    项目链接: Link

    展开全文
  • PaddleHub 视频人脸检测.pdf
  • 1.主要的pipeline是什么? 先检测人脸,然后对人脸照片,分类是否戴口罩。

    目录

     

    0.代码地址在哪?

    1.主要的pipeline是什么?

    2.paddle 网络的输入格式什么样?

    3.准确度如何?

    4. 有更好的口罩开源程序吗?


    0.代码地址在哪?

    https://github.com/PaddlePaddle/Paddle-Lite/tree/4b3da22209671ef4572527470ced83ee876d0b31/lite/demo/cxx/mask_detection

    1.主要的pipeline是什么?

       先检测人脸,然后对人脸照片,分类是否戴口罩。

     

    2.paddle 网络的输入格式什么样?

       bchw:batch, channel ,height, width

     

    3.准确度如何?

      可能作者们比较着急做出来,准确率不太好。

    •  

    4. 有更好的口罩开源程序吗?

    相对准确率更好的请移步  参考介绍原文

    数据下载地址

    百度网盘链接: https://pan.baidu.com/s/1nsQf_Py5YyKm87-8HiyJeQ 

                    提取码: eyfz

    开源代码和模型链接

            https://github.com/AIZOOTech/FaceMaskDetection

    在线体验链接

    https://aizoo.com/face-mask-detection.html

    5. AIZOOTech的口罩检测流程是什么?

       类似与fasterrcnn这样的框架,定位人脸方框的同时,分类是否带了口罩, 疑问是非人脸是什么类

     

    展开全文
  • PaddleHub可以便捷地获取PaddlePaddle生态下的预训练模型,完成模型的管理和一键预测。...本次介绍如何使用paddlehub实现人脸检测。 模型概述 Ultra-Light-Fast-Generic-Face-Detector-1MB是针对边缘计算设备或低算...

    PaddleHub可以便捷地获取PaddlePaddle生态下的预训练模型,完成模型的管理和一键预测。配合使用Fine-tune API,可以基于大规模预训练模型快速完成迁移学习,让预训练模型能更好地服务于用户特定场景的应用。

    本次介绍如何使用paddlehub实现人脸检测。

    模型概述
    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。

    代码如下:

    import matplotlib.pyplot as plt 
    import matplotlib.image as mpimg 
    import paddlehub as hub
    module = hub.Module(name="ultra_light_fast_generic_face_detector_1mb_640")
    # 待预测图片
    test_img_path = ["./crowd1.jpg"]
    
    img = mpimg.imread(test_img_path[0]) 
    
    # 展示待预测图片
    plt.imshow(img) 
    plt.axis('off') 
    plt.show()
    
    input_dict = {"image": test_img_path}
    
    # execute predict and print the result
    results = module.face_detection(data=input_dict)
    for result in results:
        print(result)
    
    
    # 预测结果展示
    img = mpimg.imread("./face_detector_640_predict_output/crowd1.jpg")
    plt.imshow(img) 
    plt.axis('off') 
    plt.show()

    效果:

    展开全文
  • 目录PaddleHub人脸检测示例ultra_light_fast_generic_face_detector_1mb_640一、安装新版Hub二、定义数据集三、API预测四、加载预训练模型并预测五、命令行预测六、效果展示预测结果展示 PaddleHub人脸检测示例 ...

    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

    展开全文
  • 【深度学习入门】Paddle实现人脸检测和表情识别(基于YOLO和ResNet18)一、先看效果:训练及测试结果:UI 界面及其可视化:二、AI Studio 简介:平台简介:创建项目:三、创建AI Studio项目:创建并启动环境:下载...
  • PaddleHub实现人脸检测

    2020-07-28 19:58:39
    !pip install paddlehub==1.6.2 -i https://pypi.tuna.tsinghua.edu.cn/simple ...import paddlehub as hub test_img_path = ["timg.jpg"] img = mpimg.imread(test_img_path[0]) # 展示待预测图片 # plt.figure(f
  • PaddleHub 视频人脸检测

    千次阅读 2020-02-14 21:50:16
    import paddlehub as hub # 将模型保存在test_program文件夹之中 # module.processor.save_inference_model(dirname="test_program") # module = hub.Module(name="pyramidbox_lite_mobile_mask") ...
  • PaddleHub人脸检测示例 本示例 https://aistudio.baidu.com/aistudio/projectdetail/403504 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)...
  • 第1版链接如下: 基于PaddleHub的AI人脸侦测:不再用手打灰机 第2版的改进: 大幅增加流畅度 采用新的动作侦测算法,代码缩减100行+ ... 基于PaddleHub的人脸检测:AI人脸打飞机(第2版)附代码 ...
  • 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 ...
  • 标题叫:PaddleHub创意赛:黑人抬棺人脸检测,创意还是蛮少的嘿嘿 嘿嘿,主要是考研党没时间,等我考上研究生我也要和你们一起玩???????????? 黑人抬棺:轻量级人脸检测模型 这是在B站的链接???? 主要思路是...
  • 通过修改MJpg-Streamer代码,在获取的摄像头图像中,使用百度的paddle-lite框架和模型,进行人脸检测和佩戴口罩识别,并对未佩戴者语音提醒。

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 1,021
精华内容 408
关键字:

paddle人脸检测