百度飞桨开源业内首个口罩人脸检测及分类模型

抗击疫情，众志成城，人工智能技术正被应用到疫情防控中来。

2 月 13 日，百度宣布免费开源业内首个口罩人脸检测及分类模型。该模型可以有效检测在麋集人流区域中携带和未携戴口罩的所有人脸，同时判断该者是否佩带口罩。现在已通过飞桨 PaddleHub 开源出来，宽大开发者用几行代码即可快速上手，免费挪用。

模型可视化效果：绿框为佩带口罩标注，红框为未佩带口罩标注

随着本周各企业相继复工，节后经济开始逐渐恢复，人脸口罩检测方案成为返工潮中众多社区、大型厂商、央企的重要需求。如判断工区员工是否佩带口罩、人流麋集的关口运输中心如何识别戴口罩的人脸并测温、佩带口罩是否也能完成日常刷脸打卡等等……都是新冠肺炎疫情下需要解决的真实痛点。

疫情防控刻不容缓，百度此前已有多项 AI 举措助力疫情防控。此次宣布免费开源的自研口罩人脸检测及分类模型，是基于 2018 年百度收录于国际顶级盘算机视觉集会 ECCV 的论文 PyramidBox 研发，可以在人流麋集的公共场景检测海量人脸的同时，将佩带口罩和未佩带口罩的人脸快速识别标注。基于此预训练模型，开发者仅需使用少量自有数据，便可快速完成自有场景的模型开发。

百度研发工程师先容，口罩人脸检测及分类模型，由两个功效单元组成，可以划分完成口罩人脸的检测和口罩人脸的分类。经测试，模型的人脸检测算法基于 faceboxes 的主干网络加入了凌驾 10 万张口罩人脸数据训练，可在准确率 98% 的情况下，召回率显著提升 30%。而人脸口罩判断模型可实现对人脸是否佩带口罩的判断，口罩判别准确率到达 96.5%，满足通例口罩检测需求。开发者基于自有场景数据还可举行二次模型优化，可进一步提升模型准确率和召回率。

如此高的准确率的背后是大量数据训练的效果，新模型接纳了凌驾十万张图片的训练数据，确保样本量足够且有效。另一方面，人脸检测模型基于百度自研的冠军算法，整个研发历程都是基于百度开源的飞桨深度学习平台，能够举行高效、便捷的模型开发、训练、部署。

在线演示效果：绿色界限框为戴口罩人脸、红色界限框为不戴口罩人脸。感兴趣的开发者可自己上传图片测试模型的效果。

在线演示地址：

https://www.paddlepaddle.org.cn/hub/scene/maskdetect

对于实际场景中的光照、口罩遮挡、心情变化、尺度变化等问题，模型具有鲁棒性，而且能够在多种差别端、边、云设备上实时检测，在落地历程中做到真正实用。

模型开源，利便应用

为了最大水平利便开发者应用，百度深度学习平台飞桨通过简朴易用的预训练模型治理工具 PaddleHub 将人脸口罩检测模型开源出来，只需基本的 Python 编程能力，即可快速上手挪用，如果具有一定的移动端 APP 开发能力，也可以快速将模型部署到移动端上。

预训练模型先容：

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

预训练模型示例代码：

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

这一方案中，用于识别人脸的模型基于 2018 年百度在国际顶级盘算机视觉集会 ECCV 2018 的论文 PyramidBox 而研发，基于自研的飞桨开源深度学习平台举行训练，并通过 PaddleSlim 等模型小型化技术使得算法能够高效运行在一些算力有限的设备上。

此外飞桨还将提供海量二次开发的工具组件，以及更多的人脸相关检测算法，以上所有技术及工具都是开源且免费的。

部署简朴，上手迅速

只要五行代码，我们就可以在自己的盘算机处置惩罚口罩人脸检测。实际在我们接纳 CPU 的情况下，检测基本是实时的，推断速度很是快。以下为挪用预训练模型的焦点代码，其中我们在当前文件夹下放了一张测试图像：

import paddlehub as hub

# 加载模型，本例为服务器端模型pyramidbox_lite_server_mask

# 移动端模型参数可以换成pyramidbox_lite_mobile_mask

module = hub.Module(name="pyramidbox_lite_server_mask")

# 设置输入数据

input_dict = {"image": ["test.jpg"]}

for data in module.face_detection(data=input_dict):

print(data)

更重要的是，作为一项完善的开源事情，除了当地推断以外，其还需要思量如何将模型部署到服务器或移动设备中。若能快速部署到各平台，那么才真正意味着它可以作为「战疫」的基础工具。

现在，百度提供了两个预训练模型，即服务器端口罩人脸检测及分类模型「pyramidbox_lite_server_mask」、以及移动端口罩人脸检测及分类模型「pyramidbox_lite_mobile_mask」，这两者能满足种种下游任务。

1. 一条下令部署到服务器

借助 PaddleHub，服务器端的部署也很是简朴，直接用一条下令行在服务器启动口罩人脸检测与分类模型就行了：

hub serving start -m pyramidbox_lite_server_mask -p 8866

是的，在服务器端这就完全没问题了。相比手动设置种种参数或者挪用种种框架，PaddleHub 部署服务器很是利便。相信只要有一些 Python 基础，在当地预测、以及部署到服务器端都是没问题的，飞桨的 PaddleHub 已经帮我们做好了种种处置惩罚历程。

2. 三步部署到移动端

Paddle Lite 是飞桨的端侧推理引擎，专门面向移动端的模型推理部署。如果我们需要把口罩人脸检测及分类模型嵌入得手机等移动设备，那么 Paddle Lite 这样的端侧推理引擎能帮我们节约许多事情。

在移动端部署口罩人脸检测及分类模型，也只需要三步：

下载预测库，Paddle Lite 会提供编译好的预测库；

优化模型，使用 model_optimize_tool 工具实现模型优化；

通过预测 API 实现挪用。

开发者可以通过 PaddleHub 下载人脸口罩识别模型。在正常安装 PaddleHub 以后，可以通过 Python 执行以下代码下载并生存模型，以下载生存移动端人脸口罩识别模型为例：

import paddlehub as hub

module = hub.Module(name="pyramidbox_lite_mobile_mask")

# 将模型生存在test_program文件夹之中

module.processor.save_inference_model(dirname="test_program")

通过以上代码，可以获得人脸检测和口罩佩带判断模型，划分存储在 test_program 目录下的 pyramidbox_lite 和 mask_detector 子文件夹之中。文件夹中的model是模型结构文件，param文件是权重文件。

Paddle Lite 先容：

https://github.com/PaddlePaddle/Paddle-Lite/

其中比力重要的是移动端 API 挪用方法，详细实现请参考下文给出的 Paddle Lite 的示例地址。

// 读取图片cv::Mat img = imread(img_path, cv::IMREAD_COLOR);// 加载人脸检测或者口罩佩带判别模型MobileConfig config;config.set_model_dir(model_dir);PaddlePredictor* predictor = CreatePaddlePredictor(config);// 设置输入Tensor* input_tensor = predictor->GetInput(0);input_tensor->Resize({1, 3, img.rows，img.cols});set_input(img, input_tensor); //挪用自界说函数// 执行predictor->Run();// 输出效果Tensor* output_tensor = predictor->GetOutput(0);show_output(img, output_tensor); //挪用自界说函数

人脸识别和佩带口罩判断在移动端部署的示例地址为：

https://github.com/PaddlePaddle/Paddle-Lite/tree/develop/lite/demo/cxx

作为开源开放、功效完备的工业级深度学习平台，开源是飞桨恒久践行并努力的偏向。新型冠状病毒熏染的肺炎疫情消息牵动着每小我私家的心，百度也在连续运用着 AI、大数据等前沿技术，助力“大后方”的疫情防控。

从建立总规模 3 亿元疫情及公共卫生宁静攻坚专项基金，到提供人工智能技术支持配套亿级盘算资源；从百度舆图为疫情科学治理提供参考，到 AI 多人体温快速检测解决方案落地清河火车站、免费开放病毒分析线性时间算法、免费开放社区治理智能外呼平台……

本次开源的的口罩人脸检测及分类模型，是百度 AI 能力的又一次倾力输出，也希望全社会更多的开发者一道加入，探讨开发，打赢这场疫情阻击战。

点个在看少个 bug