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

standme

呆板之心发布
呆板之心编辑部
自百度开源业界首个口罩人脸检测及分类模型之后，开发者社区举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。
由于现在正值很多企业复工，口罩检测对于后续复工的安全性毋庸置疑，文章一经发出，在开发者社区引起巨大反响，停止现在发稿，百度飞桨官方技术交换 QQ 群已经到达人数上限，再加入的同学，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，模型在现实场景下还是有一些提升空间。
好比如许，一张秘密形状的纸被判断为口罩，

再好比如许的，一个销魂的手指挡住了口鼻，

除了 badcase 自己，很多开发者还碰到了各种各样的问题，好比现实的环境很复杂，中远景模型效果还不错，但是近景就会不太理想。还有的是监控摄像头的像素分辨率，也会带来不同的判断效果。同时，更多的需求也反馈出来：
能不能开放模型的一些接口出来？
在 PC 端，除了 python 部署，有没有高性能的 C++部署教程呀？
如果想做视频流的检测，应该怎么办呀？
需求很多，百度飞桨给出的答案是肯定的。
作为国内唯一的开源开放深度学习平台，技术服务支持肯定是没得说，能给的都给你，四波宠粉的新希望为开发者奉上！
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器重，并且敏捷开展了 V1.1.0 的优化，增补了更多的数据集，使得练习正确率进一步提升。通过开放接口，增加金字塔战略等方式，使得在各种极度尺寸下检测不到人脸的问题得到改善，召回率也有显着提升。同时，口罩分类模型也颠末一周有效的数据迭代，正确率从之前的 96.5% 提升到 97.27%，优化效果对比：

左侧为优化前右侧为优化后。
可以看到，新加入大量数据集重训之后的第二版模型，在一些特别的场景下：好比面部异物、口鼻遮挡、侧脸等 case 下都有显着的质量提升。
而且，随着更多开发者提供的更加巨大的数据和 badcase 增加，数据模型仍在不断的改进中，有兴趣的开发者也接待持续关注。
那么，有开发者肯定想问了，我想用新模型应该怎么用啊？非常简单，1 个参数搞定
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
接口新参数
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
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，则模型计算本钱越高。
建议用户根据现实应用场景调解该值，尽可能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
参数影响
开启多尺度人脸检测可以或许更好的检测到输入图像中不同尺寸的人脸，但是会增加模型计算量，低落推测速率，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，可以满足很大一部分场景下的业务需求，敏捷提升性能。
升级后的模型，调参之后正确率妥妥的了，但是开发者落地碰到部署问题又不会了，来来来，PaddleHub 来教你！
第三波：基于 PaddleHub 实现口罩佩带检测应用落地部署
在第一版的模型发布中，我们提供了一行代码服务器端部署，可以通过 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带辨认模型, 提供了一个完备的支持视频流的 Web Demo，以及高性能的 Python 和 C++集成部署方案, 适用于不同场景下的软件集成。
完备的视频流演示 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带检测，同时可以将没有佩带的口罩人脸记载下来。雷同的应用可以部署在大型场馆收支口，学校，医院，交通通道收支口，人脸辨认闸机，呆板人上，支持的方案有：安卓方案（如 RK3399 的人脸辨认机，呆板人），Ubuntu 边沿计算，WindowsPC+摄像头，辨认率 80%~90%。如果对于人脸辨认机场景，精度要求会比较高，模型应用时必要对清晰度、距离、图像巨细等因素举行调解后部署。

视频链接：https://www.bilibili.com/video/av88962128
效果分析
可以看到辨认率在 80~90% 之前，稍小的人脸有误辨认的环境，有些挡住嘴的场景也被误辨认成了戴口罩，一个人带着口罩，鼻子漏出来辨认成没有戴口罩，这个是公道的由于的鼻子漏出来是佩带不规范。这个模型应用在门口，狭长通道，人脸辨认机地点位置都是可以的。

感兴趣的同学们赶紧试试吧
也有开发者提到，之前的 PaddleHub 一键服务化部署方案确实非常简单，但是无法满足一些对速率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
1、首先必要安装 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
2、从 PaddleHub 导出推测模型
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，此中：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，在此保举该版本模型，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布局：
3. Python 推测部署编译
支持在 Windows 和 Linux 上编译并部署 Python 项目，内容比较长，建议可以直接参考链接文档：https://github.com/PaddlePaddle/PaddleHub/tree/release/v1.5/demo/mask_detection/python
4. C++推测部署编译
本项目支持在 Windows 和 Linux 上编译并部署 C++项目，流程比较复杂，建议直接参考链接文档：https://github.com/PaddlePaddle/PaddleHub/tree/release/v1.5/demo/mask_detection/cpp
综合推测性能评测
通过内部的数据评测，相比于 PaddleHub 原生 API，借助飞桨高性能推测引擎，在 GPU 条件下速率提升了 300%，CPU 可以提速 50%。
简直效果炸裂，如果对于推测速率有要求的开发者，接待利用高性能推测方案部署。
第四波：文档教程丰富与开发者生态贡献交换
2 月 13 日稿件发出后，也有开发者在 QQ 群反馈说之前对 PaddleHub 特性相识不够深入，能不能提供一些系统性的介绍。以下为飞桨团队为开发者提供的教程资源：
AIStudio 在线教程：https://aistudio.baidu.com/aistudio/projectDetail/267322
B 站视频：https://www.bilibili.com/video/av89960161?from=search&seid=3613394603372565887

现在，开源的口罩人脸检测与辨认模型，已经在中油瑞飞等多家企业现实应用落地，对于企业的顺遂复工提供安全保障，也接待更多的开发者和企业可以或许加入进来，发挥 AI 的气力，众擎易举，抗击疫情。
如果您想具体相识更多飞桨 PaddlePaddle 的干系内容，请参阅以下文档。
官网地址：https://www.paddlepaddle.org.cn/
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
本文为呆板之心发布，转载请联系本公众号得到授权。
------------------------------------------------