您的位置
主页 > 国际新闻 » 正文

百度飞桨口罩人脸检测与识别模型再升级,视频教学带你实战

来源:www.zskhxc.com.cn 点击:554

《机器之心》宣布“机器之心编辑部”以来,百度开源行业的第一个面具人脸检测和分类模型,开发者社区已经充分讨论并提出了该模型的一些问题和不足。在这篇文章中,百度闫飞官方对这些反馈做出了积极的回应,同时提出了四大升级方案来逐一解决开发者的疑虑。

2月13日,机器之心在线发布了第《AI 战「疫」:百度开源业界首个口罩人脸检测及分类模型》篇文章。文章介绍了该模型能有效地检测出拥挤区域中所有带面具和不带面具的人脸,并判断是否戴面具。

由于目前许多企业都在复工,因此对后续复工进行口罩测试的安全性是毋庸置疑的。这篇文章发表后,在开发者社区引起了巨大的反响。到目前为止,百度闫飞的官方技术交流QQ群已经达到最大人数。那些再次加入的人只能加入新的团体。

在技术讨论组中,广大开发者已经充分讨论了面具人脸检测和分类模型的技术应用。一些开发人员从实战中得到反馈,模型在实际场景中仍有一些改进的空间。

例如,一张神秘的纸被认为是一个面具。

另一个例子是一个可爱的手指堵住了鼻子和嘴巴。

除了badcase本身,许多开发人员还会遇到各种问题,比如实际环境非常复杂,中长期模型相当有效,但是近景并不理想。监控摄像头的像素分辨率也会带来不同的判断结果。同时,还反馈了更多的需求:

1。你能打开模型的一些界面吗?

2。在个人电脑方面,除了python部署之外,还有高性能的C部署教程吗?

3。如果你想做视频流检测,你应该做什么?

有很多需求,百度闫飞给出的答案是肯定的。

作为中国唯一的开源、开放和深度学习平台,技术服务支持绝对不够。你能给的任何东西都会给你。思博宠物粉的新进展呈现给开发者!

First Wave:Mask Model的性能升级

针对用户的不良案例问题,面具人脸检测和分类模型的研究人员也非常重视,并迅速对1.1.0版进行了优化,增加了更多的数据集,从而进一步提高了训练精度。通过打开界面和添加金字塔策略,改善了各种极端尺寸下的无人脸检测问题,召回率也显着提高。同时,掩码分类模型经过一周的有效数据迭代,准确率从96.5%提高到97.27%。优化效果比较:

左侧为优化前,右侧为优化后。

可以看出,模型的第二个版本在经过大量新增数据集的重新训练后,在一些特殊场景下,如面部异物、口鼻遮挡、侧脸等,质量有明显的提高。

此外,随着越来越多的开发人员提供越来越多的海量数据和不良案例的增加,数据模型仍在持续改进中,感兴趣的开发人员也欢迎持续关注。

所以,一些开发人员肯定会问,我应该如何使用新模型?非常简单,一个参数来修复

second wave: PaddleHub新功能

加载金字塔_精简服务器_掩码,选择最新型号1.1.0版,它将自动升级到此版本

加载金字塔_精简服务器_掩码,选择最新型号1.1.0版,它将自动升级到此版本

hub.module(名称='金字塔_精简服务器_掩码',版本=' 1.1.0')

defface _ detection(数据,使用_ GPU=false,批处理_ size=1。收缩=0.5,USE _ MULTI _ SCALE=FALSE)

defface _ detection(数据,使用_ GPU=false,批处理_ size=1。收缩=0.5,USE _ MULTI _ SCALE=FALSE)

收缩

此参数用于设置图片的缩放比例。输入值应在区间(0 ~ 1)内。默认值为0.5

呼叫示例

模块=集线器。模块(名称='金字塔_精简_服务器_掩码',版本=' 1.1.0 ')输入_数据=模块。人脸检测(数据=输入数据,收缩=0.2)

收缩值越大,输入图片中的小尺寸人脸检测效果越好,反之亦然。同时,收缩值越高,模型的计算成本越高。

收缩值越大,输入图片中的小尺寸人脸检测效果越好,反之亦然。同时,收缩值越高,模型的计算成本越高。

建议用户根据实际应用场景调整数值,在缩放后尽量使输入图像的人脸大小分布在8 ~ 130像素之间

此参数用于设置是否打开多尺度人脸检测

此参数用于设置是否打开多尺度人脸检测

模块=集线器。模块(名称='金字塔_精简_服务器_掩码',版本=' 1.1.0 ')输入_数据=模块。人脸检测(数据=输入数据,收缩=0.2)

收缩值越大,输入图片中的小尺寸人脸检测效果越好,反之亦然。同时,收缩值越高,模型的计算成本越高。

启用多尺度人脸检测可以更好地检测输入图像中不同大小的人脸,但会增加模型的计算量,降低预测速度。建议在对面部检测要求相对较低的场景中打开此设置。

这两个关键参数接口的打开可以在很大程度上满足业务需求,并快速提高性能。

升级后的模型在参数调整后有很好的准确性,但是开发者在登陆时不会遇到部署问题。来吧,帕德勒霍布会教你的!

第三波:基于PaddleHub的面罩磨损检测应用着陆部署的实现。

在模型的第一个版本的发布中,我们提供了一系列代码服务器端部署,它可以快速体验模型效果,并通过PaddleHub构建在线服务。

随着第二版模型的发布,基于开源的飞翼面具佩戴识别模型,我们提供了一个完整的支持视频流的网络演示,以及一个高性能的Python和C集成部署方案,适合不同场景下的软件集成。

全视频流演示演示演示:

该演示演示了视频的实时面具佩戴检测,并可以记录未佩戴面具的面部。类似的应用可以部署在大型体育场、学校、医院、交通通道入口和出口、人脸识别门和机器人的入口和出口。支持的方案包括安卓方案(如RK3399人脸识别机和机器人)、Ubuntu边缘计算、WindowsPC摄像头,识别率为80%~90%。如果人脸识别机器场景的精度要求很高,需要在调整清晰度、距离、图像大小等因素后部署模型。

Video Link:

Effect Analysis

可以看出,在识别率达到80~90%之前,稍小的人脸会被误识别。一些堵住嘴的场景也被误认为戴着面具。当一个人的鼻子漏出来的时候,戴面具的人被认为没有戴面具。这是合理的,因为他的鼻子漏了出来,而且他的穿着也不规则。该模型可应用于门口、狭窄通道和人脸识别机的位置。

有兴趣的学生请尽快尝试

一些开发人员还提到,以前的PaddleHub一键式服务部署方案确实非常简单,但是它不能满足一些对速度敏感的场景和软件集成的要求。没问题。百度闫飞还提供了高性能部署集成解决方案。

高性能Python/C部署方案

1,PaddleHub

环境要求第一个Python==2.7或Python=3.5适用于Linux或Mac,Python=3.6适用于Windows。PaddlePaddle=1.5

安装方法:pip安装paddlehub

2,从paddlehub导出预测模型

在网络接入的情况下,执行python export_model.py导出两个掩码模型进行推理部署,其中:pyramidbox_lite_mobile_mask为移动模型,模型较小,计算量较低;Pyramidbox_lite_server_mask是服务器版本模型。此处推荐此版本型号,其精度高于移动版本,也是此次关键精度升级的型号。

成功执行代码后导出的模型路径结构:

金字塔盒_ lite _ server _ mask |★mask _ detector # mask face classification model | ★- model _ _ # model file│┒-params _ _ # parameter file |ε-金字塔盒_ lite # face mask face detection model ├-_ _ model _ _ # model file ┘-_ _ params _ _ # parameter file

3。Python预测部署编译

支持在Windows和Linux上编译和部署Python项目,内容相对较长。建议您可以直接引用链接的文档:

4。预测部署编译:该项目支持在Windows和Linux上编译和部署项目c。这个过程相对复杂。建议您可以直接参考链接文档:

综合预测性能评估

通过内部数据评估,与PaddleHub原生应用编程接口相比,借助飞行桨的高性能预测引擎,在GPU条件下速度提高300%,CPU速度提高50%。

效果是简单的破裂。如果开发人员对预测速度有要求,欢迎他们部署高性能预测方案。

第四次浪潮:丰富的文档教程与开发者的生态贡献交流

2月13日手稿发布后,在QQ群反馈之前,一些开发者对PaddleHub的功能了解不够。他们能提供一些系统的

目前,开源的口罩人脸检测与识别模型已经在中国石油瑞飞等许多企业得到应用。它为企业顺利复工提供了安全保障。也欢迎更多的开发商和企业加入进来,发挥人工智能的力量,团结一致,抗击疫情。

如果您想了解更多关于PaddlePaddle paddle的信息,请参阅以下文档。

官方网站地址:

项目地址:

面膜面部检测和分类模型简介: