基于Flask和PaddleHub怎么实现人脸检测功能

这篇文章主要介绍“基于Flask和PaddleHub怎么实现人脸检测功能”的相关知识，小编通过实际案例向大家展示操作过程，操作方法简单快捷，实用性强，希望这篇“基于Flask和PaddleHub怎么实现人脸检测功能”文章能帮助大家解决问题。

实现

1. 部署人脸检测模型

一行命令即可完成服务化部署（你需要先安装PaddleHub库），pyramidbox_lite_mobile是一个预训练的人脸检测模型。

hub serving start -m pyramidbox_lite_mobile

你可以使用下面的代码（来自PaddleHub的文档，记得修改未你自己的图片存放路径)，测试接口：

# coding: utf8import requestsimport jsonimport cv2import base64def cv2_to_base64(image):    data = cv2.imencode('.jpg', image)[1]    return base64.b64encode(data.tostring()).decode('utf8')if __name__ == '__main__':    # 获取图片的base64编码格式 (记得修改你自己的图片存放路径)    img1 = cv2_to_base64(cv2.imread("./static/Aaron_Peirsol_0001.jpg"))    img2 = cv2_to_base64(cv2.imread("./static/Aaron_Peirsol_0002.jpg"))    data = {'images': [img1, img2]}    # 指定content-type    headers = {"Content-type": "application/json"}    # 发送HTTP请求    url = "http://127.0.0.1:8866/predict/pyramidbox_lite_mobile"    r = requests.post(url=url, headers=headers, data=json.dumps(data))    # 打印预测结果    print(r.json())

2. 使用Flask构建app

2.1 目录结构

- templates- index.html- app.py- forms.py- utils.py

其中utils.py封装了一些简单的函数。

2.2 forms.py

下面定义了一个表单，它只有一个字段face_img，用于上传待检测的人脸图片。validatiors中描述了很多message，在上传的表单不满足约束时，可在html模板中通过{{ form.face_img.erros }}获取相关的message信息。

from flask_wtf import FlaskFormfrom flask_wtf.file import FileAllowed, FileRequired, FileSize, FileFieldclass ImageForm(FlaskForm):    face_img = FileField("face_img",         validators=[            FileRequired(message="不能为空"),            FileAllowed(['jpg', 'png'], message="仅支持jpg/png格式"),            FileSize(max_size=2048000, message="图片不能大于2Mb")        ],        description="图片不能大于2Mb，仅支持jpg/png格式"    )

2.3 utils.py

封装了三个简单的函数，但在app.py中只使用了cv2_to_base64()。

import base64import numpy as npimport cv2def base64_to_cv2(img: str):    # base64 -> 二进制 -> ndarray -> cv2    # 解码为二进制数据    img_codes = base64.b64decode(img)    img_np = np.frombuffer(img_codes, np.uint8)    img_cv2 = cv2.imdecode(img_np, cv2.IMREAD_COLOR)    return img_cv2def cv2_to_base64(image):    data = cv2.imencode('.jpg', image)[1]    return base64.b64encode(data.tostring()).decode('utf8')# 显示cv2格式的图像 --> 开发过程中测试图像是否正常时使用def cv2_show(img_cv2):    cv2.imshow('img', img_cv2)    cv2.waitKey(0)    cv2.destroyAllWindows()

2.4 app.py

注：如果以后数据在转换的过程中究竟变成了什么格式，那就把它们打印出来看看叭！例如print(data, type(data))。

主要的逻辑就在这里了，图像主要经历了三种类型的格式：

• 文件对象：从前端表单返回的图像文件的格式。

• cv2：opencv的图像格式，是一个numpy的ndarray数组。

• str：base64编码格式的字符串；是作为模型输入，和在前端显示图像的格式。

数据格式的变化流程大致如下图：

# 注：在推理前将图像缩放到指定的尺寸，即能提升速度，有时也能提升精度（实测像素太高时识别效果也不好）from flask import Flask, render_template, requestimport requestsfrom forms import ImageFormimport cv2import numpy as npimport jsonimport timefrom utils import cv2_to_base64app = Flask(__name__)app.config['SECRET_KEY'] = 'your_secret_key_here'@app.route('/', methods=['GET', 'POST'])def predict():    form = ImageForm()    if form.validate_on_submit():        # 1. 从前端表单获取图像文件        file = form.face_img.data  # <class 'werkzeug.datastructures.FileStorage'>        file_content = file.read()  # <class 'bytes'>        # 2. 图像文件转cv2, 并缩放到指定尺寸 --> 尺寸太大或太小，识别精度都会变差        img_cv2 = np.asarray(bytearray(file_content), dtype=np.uint8)  # (len,)        img_cv2 = cv2.imdecode(img_cv2, cv2.IMREAD_COLOR)  # (w, h, c)        img_cv2 = cv2.resize(img_cv2, (250, 250), interpolation=cv2.INTER_LINEAR)        # 3. cv2转str(base64)        img_base64 = cv2_to_base64(img_cv2)        # 4. str(base64)输入模型 --> json --> 人脸框坐标        data = {'images': [img_base64]}        headers = {"Content-type": "application/json"}        url = "http://127.0.0.1:8866/predict/pyramidbox_lite_mobile"        start_time = time.time()        r = requests.post(url=url, headers=headers, data=json.dumps(data))        use_time = time.time() - start_time        rectangle = r.json()['results'][0]['data'][0]  # 一张图片 --> dict{confidence, left, top, right, bottom}        # 5. cv2，json --> 画矩形 --> cv2        cv2.rectangle(            img_cv2,             (rectangle['left'], rectangle['top']),            (rectangle['right'], rectangle['bottom']),            (255, 0, 0),  # 蓝色            thickness=2)        # 6. cv2转str(base64)        img_base64 = cv2_to_base64(img_cv2)        # 7. str(base64) 返回到前端        return render_template(            'index.html', form=form, img_base64=img_base64,             confidence=rectangle['confidence'], use_time=use_time)    return render_template('index.html', form=form)if __name__ == '__main__':    app.run(debug=True, port=5000)

2.5 index.html

视图模板，也是十分简陋。

<h2>试试人脸检测</h2><!-- 1. 上传图像的表单 --><form action="" method="post" class="mt-4" enctype="multipart/form-data">    <!-- csrf这一句好像可以没啥用 -->    {{ form.csrf_token }}    {{ form.face_img() }}    <input type="submit" value="Submit"></form><!-- 2. 显示检测结果 -->{% if img_base64 %}    <img src="data:image/jpeg;base64, {{ img_base64 }}" width="250" height="250">    <p>置信度: {{ confidence }}</p>    <p>推理耗时(秒): {{ use_time }}</p>{% endif %}<!-- 3. 显示错误信息 -->{% if form.face_img.errors %}    <div class="alert alert-danger">        {% for error in form.face_img.errors %}            {{ error }}        {% endfor %}    </div>{% endif %}

Bug(s)

1、后端接收不到上传的图片

使用表单的模板代码如下：

<form action="" method="post" class="mt-4">    <!-- csrf这一句好像可以删掉 -->    {{ form.csrf_token }}    {{ form.face_img() }}    <input type="submit" value="Submit"></form>

解决：在 Flask 中处理文件上传时，需要<form>中添加 enctype="multipart/form-data" 属性，这样浏览器才能正确识别上传的文件数据。

数据格式转换晕头转向

在app.py中，我最初对于图像格式的转换十分懵圈，想整理下思路，结果却如下图，还是很乱。经过多次重构，才变成了 2.5 app.py 那里显示的图。

重构还是挺有用的！有时代码经过重构也会变得清晰。

关于“基于Flask和PaddleHub怎么实现人脸检测功能”的内容就介绍到这里了，感谢大家的阅读。如果想了解更多行业相关的知识，可以关注编程网行业资讯频道，小编每天都会为大家更新不同的知识点。