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

 

自百度开源业界首个口罩人脸检测及分类模型以后，开发者社区进行了充分讨论并提出了该模型存在的一些问题和不足。在本文中，百度飞桨官方对这些反馈积极回应，同时提出四大升级方案，为开发者一一解惑。

2月13日《百度开源业内首个口罩人脸检测及分类模型》文章中介绍，该模型能够有效检测在密集人流区域中携带和未携戴口罩的全部人脸，同时判断是否佩戴口罩。

因为目前正值不少企业复工，口罩检测对于后续复工的安全性毋庸置疑，文章一经发出，在开发者社区引发巨大反响，截至目前发稿，百度飞桨官方技术交流 QQ 群已经达到人数上限，再加入的同窗，只能加入新群。

在技术讨论群里，广大开发者针对口罩人脸检测与分类模型的技术应用展开了充分的讨论，有些开发者实战反馈，模型在实际场景下仍是有一些提高空间。

好比这样，一张神秘形状的纸被判断为口罩，

再好比这样的，一个销魂的手指挡住了口鼻，

除了 badcase 自己，不少开发者还遇到了各类各样的问题，好比实际的环境很复杂，中远景模型效果还不错，可是近景就会不太理想。还有的是监控摄像头的像素分辨率，也会带来不一样的判断结果。同时，更多的需求也反馈出来：

1. 能不能开放模型的一些接口出来？

2. 在 PC 端，除了 python 部署，有没有高性能的 C++部署教程呀？

3. 若是想作视频流的检测，应该怎么办呀？

需求不少，百度飞桨给出的答案是确定的。

做为开源开放的深度学习平台，技术服务支持确定是没得说，能给的都给你，四波宠粉的新进展为开发者奉上！

01

第一波：口罩模型性能升级

针对用户提出的 badcase 问题，口罩人脸检测与分类模型研发人员也是高度重视，而且迅速开展了 V1.1.0 的优化，增补了更多的数据集，使得训练准确率进一步提高。经过开放接口，增长金字塔策略等方式，使得在各类极端尺寸下检测不到人脸的问题获得改善，召回率也有明显提高。同时，口罩分类模型也通过一周有效的数据迭代，准确率从以前的 96.5% 提高到 97.27%，优化效果对比：

左侧为优化前右侧为优化后。

能够看到，新加入大量数据集重训以后的第二版模型，在一些特别的场景下：好比面部异物、口鼻遮挡、侧脸等 case 下都有明显的质量提高。

并且，随着更多开发者提供的更加庞大的数据和 badcase 增长，数据模型仍在不断的改进中，有兴趣的开发者也欢迎持续关注。

那么，有开发者确定想问了，我想用新模型应该怎么用啊？很是简单，1 个参数搞定。

02

第二波：PaddleHub 新 Feature

选择升级到新版本

# 加载 pyramidbox_lite_server_mask, 选择最新的模型版本 1.1.0，则会自动升级至该版本：

hub.Module(name="pyramidbox_lite_server_mask", version="1.1.0")

接口新参数

def face_detection(    data,    use_gpu=False,    batch_size=1,    shrink=0.5,    use_multi_scale=False)

shrink

该参数用于设置图片的缩放比例，输入值应位于区间 (0 ~ 1]，默认为 0.5。

调用示例

module = hub.Module(name="pyramidbox_lite_server_mask", version="1.1.0")input_data = {"image":["/PATH/TO/IMAGE"]}module.face_detection(data=input_data, shrink=0.2)

参数影响

shrink 值越大，则对于输入图片中的小尺寸人脸有更好的检测效果，反之则对于大尺寸人脸有更好的检测。同时，shrink 值越大，则模型计算成本越高。

建议用户根据实际应用场景调整该值，尽量使输入图像的人脸尺寸在缩放后分布于 8 ~ 130pix 之间。

use_multi_scale

该参数用于设置是否开启多尺度的人脸检测，默认为关闭。

调用示例

module = hub.Module(name="pyramidbox_lite_server_mask", version="1.1.0")input_data = {"image":["/PATH/TO/IMAGE"]}module.face_detection(data=input_data, use_multi_scale=True)

参数影响

开启多尺度人脸检测可以更好的检测到输入图像中不一样尺寸的人脸，可是会增长模型计算量，下降预测速度，建议在对人脸漏检要求比较低的场景下开启该设置。

这两个关键参数接口的开放，能够知足很大一部分场景下的业务需求，迅速提高性能。

升级后的模型，调参以后准确率妥妥的了，可是开发者落地遇到部署问题又不会了，来来来，PaddleHub 来教你！

03

第三波：基于 PaddleHub 实现口罩佩戴检测应用落地部署

在初版的模型发布中，咱们提供了一行代码服务器端部署，能够经过 PaddleHub 快速体验模型效果、搭建在线服务。

随着第二版模型的发布，基于飞桨本次开源的口罩佩戴识别模型, 提供了一个完整的支持视频流的 Web Demo，以及高性能的 Python 和 C++集成部署方案, 适用于不一样场景下的软件集成。

完整的视频流演示 DEMO：https://github.com/PaddlePaddle/PaddleHub/tree/release/v1.5/demo/mask_detection

该 Demo 演示了对视频的实时口罩佩戴检测，同时能够将没有佩戴的口罩人脸记录下来。相似的应用能够部署在大型场馆出入口，学校，医院，交统统道出入口，人脸识别闸机，机器人上，支持的方案有：安卓方案（如 RK3399 的人脸识别机，机器人），Ubuntu 边缘计算，WindowsPC+摄像头，识别率 80%~90%。若是对于人脸识别机场景，精度要求会比较高，模型应用时须要对清晰度、距离、图像大小等因素进行调整后部署。

视频连接：

https://www.bilibili.com/video/av88962128

效果分析

能够看到识别率在 80~90% 以前，稍小的人脸有误识别的状况，有些挡住嘴的场景也被误识别成了戴口罩，一我的带着口罩，鼻子漏出来识别成没有戴口罩，这个是合理的由于的鼻子漏出来是佩戴不规范。这个模型应用在门口，狭长通道，人脸识别机所在位置都是能够的。

感兴趣的同窗们赶忙试试吧。

也有开发者提到，以前的 PaddleHub 一键服务化部署方案确实很是简单，可是没法知足一些对速度敏感的场景和软件集成得需求。那没问题啊，高性能的部署集成方案百度飞桨也提供哈。

高性能 Python/C++部署方案

一、首先须要安装 PaddleHub：

• 环境依赖 Python==2.7 or Python>=3.5 for Linux or Mac，Python>=3.6 for Windows，PaddlePaddle>=1.5

• 安装方式：pip install paddlehub

二、从 PaddleHub 导出预测模型：

在有网络访问条件下，执行 python export_model.py 导出两个可用于推理部署的口罩模型，其中：pyramidbox_lite_mobile_mask 为移动版模型, 模型更小，计算量低；pyramidbox_lite_server_mask 为服务器版模型，在此推荐该版本模型，精度相对移动版本更高，也是本次重点精度升级的模型。

成功执行代码后导出的模型路径结构：

pyramidbox_lite_server_mask|├── mask_detector   # 口罩人脸分类模型|   ├── __model__   # 模型文件│   └── __params__  # 参数文件|└── pyramidbox_lite # 口罩人脸检测模型    ├── __model__   # 模型文件    └── __params__  # 参数文件

3. Python 预测部署编译

支持在 Windows 和 Linux 上编译并部署 Python 项目，内容比较长，建议能够直接参考连接文档：

https://github.com/PaddlePaddle/PaddleHub/tree/release/v1.5/demo/mask_detection/python

4. C++预测部署编译

本项目支持在 Windows 和 Linux 上编译并部署 C++项目，流程比较复杂，建议直接参考连接文档：

https://github.com/PaddlePaddle/PaddleHub/tree/release/v1.5/demo/mask_detection/cpp

综合预测性能评测

经过内部的数据评测，相比于 PaddleHub 原生 API，借助飞桨高性能预测引擎，在 GPU 条件下速度提高了 300%，CPU 能够提速 50%。

简直效果炸裂，若是对于预测速度有要求的开发者，欢迎使用高性能预测方案部署。

04

第四波：文档教程丰富与开发者生态贡献交流

2 月 13 日稿件发出后，也有开发者在 QQ 群反馈说以前对 PaddleHub 特性了解不够深刻，能不能提供一些系统性的介绍。如下为飞桨团队为开发者提供的教程资源：

• AI Studio 在线教程：

  https://aistudio.baidu.com/aistudio/projectDetail/267322

• B 站视频（点击文末“阅读原文”便可查看）：

  https://www.bilibili.com/video/av89960161?from=search&seid=3613394603372565887

目前，开源的口罩人脸检测与识别模型，已经在中油瑞飞等多家企业实际应用落地，对于企业的顺利复工提供安全保障，也欢迎更多的开发者和企业可以加入进来，发挥 AI 的力量，众志成城，抗击疫情。

想与更多的深度学习开发者交流，请加入飞桨官方 QQ 群：703252161。

若是您想详细了解更多飞桨 PaddlePaddle 的相关内容，请参阅如下文档。

• 官网地址：

  https://www.paddlepaddle.org.cn/?fr=osc

• 项目地址：

  https://github.com/PaddlePaddle/PaddleHub/tree/release/v1.5/demo

• 口罩人脸检测与分类模型介绍：

  https://www.paddlepaddle.org.cn/hubdetail?name=pyramidbox_lite_server_mask&en_category=ObjectDetection

>> 访问 PaddlePaddle 官网，了解更多相关内容。