文章目录
- 前言
- 效果演示
- 分析与设计
- 实现
- 1. 部署人脸检测模型
- 2. 使用Flask构建app
- 2.1 目录结构
- 2.2 forms.py
- 2.3 utils.py
- 2.4 app.py
- 2.5 index.html
- Bug(s)
前言
本次实现了一个在浏览器中运行的简陋的人脸检测功能，由于水平有限，这里使用表单上传图片，只能一次检测一张人脸。实现过程中遇到的主要问题是数据格式转换的问题。
清风莫追
csdn个人主页：https://blog.csdn.net/m0_63238256
效果演示
分析与设计
之前已经成功基于AI分词模型，构建了一个Web应用。套路大致相同，与本次任务的主要区别在于，本次传递的数据是图像而不是文本。图像数据会带来一个新的问题：
- 图像的编码方式丰富，数据处理过程中需要进行一些数据格式转换。
应用的逻辑大致如下：
- 用户通过表单从浏览器上传图像
- 将图像转发给人脸检测模型，得到人脸位置坐标
- 使用矩形框出图像中的人脸
- 浏览器显示结果
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 # file_content = file.read() # # 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。
<h1>试试人脸检测</h1><form action="" method="post" class="mt-4" enctype="multipart/form-data"> {{ form.csrf_token }} {{ form.face_img() }} <input type="submit" value="Submit"></form>{% 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 %}{% 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"> {{ 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。
2、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。
原文链接：https://cfeng.blog.csdn.net/article/details/129636071
完