Skip to content

Latest commit

 

History

History
 
 

face_landmark_localization

Folders and files

NameName
Last commit message
Last commit date

parent directory

..
README.md
README.md
 
 
__init__.py
__init__.py
 
 
data_feed.py
data_feed.py
 
 
module.py
module.py
 
 
processor.py
processor.py
 
 
test.py
test.py
 
 

README.md

face_landmark_localization

模型名称 face_landmark_localization
类别 图像-关键点检测
网络 Face_Landmark
数据集 AFW/AFLW
是否支持Fine-tuning 否
模型大小 3M
最新更新日期 2021-02-26
数据指标 -

一、模型基本信息

  • 应用效果展示

    • 人脸关键点（左）、模型检测效果（右）

  • 模型介绍

    • 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。

二、安装

三、模型API预测

  • 1、命令行预测

    • $ hub run face_landmark_localization --input_path "/PATH/TO/IMAGE"

    • 通过命令行方式实现hub模型的调用，更多请见 PaddleHub命令行指令

  • 2、预测代码示例

    • 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('/PATH/TO/IMAGE')])
# or
# result = face_landmark.keypoint_detection(paths=['/PATH/TO/IMAGE'])

  • 3、API

    • def __init__(face_detector_module=None):
      • 参数
        • face_detector_module (class): 人脸检测模型，默认为 ultra_light_fast_generic_face_detector_1mb_640.
    • 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：
          • save_path : 可视化图片的保存路径（仅当visualization=True时存在）；
          • data: 图片中每张人脸的关键点坐标
    • def set_face_detector_module(face_detector_module):
      • 设置为人脸关键点检测模型进行人脸检测的底座模型
      • 参数
        • face_detector_module (class): 人脸检测模型
    • def get_face_detector_module():
      • 获取为人脸关键点检测模型进行人脸检测的底座模型
      • 返回
        • 当前模型使用的人脸检测模型。
    • def save_inference_model(dirname):
      • 参数
        • dirname: 模型保存路径

四、服务部署

  • PaddleHub Serving可以部署一个在线人脸关键点检测服务。

  • 第一步：启动PaddleHub Serving

    • 运行启动命令：

    • $ hub serving start -m face_landmark_localization -p 8866

    • 这样就完成了一个人脸关键点服务化API的部署，默认端口号为8866。

    • NOTE: 如使用GPU预测，则需要在启动服务之前，请设置CUDA_VISIBLE_DEVICES环境变量，否则不用设置。

  • 第二步：发送预测请求

    • 配置好服务端，以下数行代码即可实现发送预测请求，获取预测结果

    • import requests
import json
import cv2
import base64
import paddlehub as hub

def cv2_to_base64(image):
    data = cv2.imencode('.jpg', image)[1]
    return base64.b64encode(data.tostring()).decode('utf8')

# 发送HTTP请求
data = {'images':[cv2_to_base64(cv2.imread("/PATH/TO/IMAGE"))]}
headers = {"Content-type": "application/json"}
url = "http://127.0.0.1:8866/predict/face_landmark_localization"
r = requests.post(url=url, headers=headers, data=json.dumps(data))

# 打印预测结果
print(r.json()["results"])

五、更新历史

  • 1.0.0

    初始发布

  • 1.0.1

  • 1.0.2

  • 1.0.3

    移除 fluid api

  • 1.1.0

    修复无法导出推理模型的问题

    • $ hub install face_landmark_localization==1.1.0