cvlib

一个简单、高级、易于使用的 Python 开源计算机视觉库。

安装

安装依赖

只要安装了以下 Python 包，cvlib 就可以通过 pip 完全安装。

• OpenCV
• TensorFlow

如果尚未安装，可以通过 pip 进行安装：

pip install opencv-python tensorflow

可选

或者，您也可以从源代码编译这些库，以针对您的特定硬件启用优化，从而获得更好的性能。 如果您使用 GPU，可以通过 pip 安装 tensorflow-gpu 包。请确保已正确安装必要的 NVIDIA 驱动程序（CUDA 工具包、CuDNN 等）。

如果您不确定，只需使用仅支持 CPU 的 tensorflow 包即可。

您还可以从源代码编译 OpenCV，以启用适用于 NVIDIA GPU 的 CUDA 优化。

安装 cvlib

pip install cvlib

要升级到最新版本： pip install --upgrade cvlib

可选

如果您想从源代码构建 cvlib，请克隆此仓库并运行以下命令：

git clone https://github.com/arunponnusamy/cvlib.git
cd cvlib
pip install .

注意：官方未对 Python 2.x 的兼容性进行测试。

人脸检测

在图像中检测人脸非常简单，只需调用 detect_face() 函数即可。它将返回所有检测到的人脸的边界框角点及其对应的置信度。

示例：

import cvlib as cv
faces, confidences = cv.detect_face(image)

真的，这就是使用 cvlib 进行人脸检测所需的全部操作。其底层使用 OpenCV 的 dnn 模块和预训练的 caffemodel 来检测人脸。

启用 GPU：

faces, confidences = cv.detect_face(image, enable_gpu=True)

完整的代码请参阅 examples 目录中的 face_detection.py。

示例输出：

性别识别

一旦检测到人脸，就可以将其传递给 detect_gender() 函数来识别性别。该函数将返回标签（男、女）及其相关概率。

示例

label, confidence = cv.detect_gender(face)

cvlib 的底层使用的是由 Gil Levi 和 Tal Hassner 在 Adience 数据集 上训练的类似 AlexNet 的模型，用于他们发表于 CVPR 2015 年会议上的论文。

启用 GPU：

label, confidence = cv.detect_gender(face, enable_gpu=True)

完整的代码请参阅 examples 目录中的 gender_detection.py。

示例输出：

物体检测

通过单个函数调用 detect_common_objects() 即可检测场景中的常见物体。该函数将返回图像中检测到的物体的边界框坐标、对应标签以及置信度分数。

示例：

import cvlib as cv
from cvlib.object_detection import draw_bbox

bbox, label, conf = cv.detect_common_objects(img)

output_image = draw_bbox(img, bbox, label, conf)

其底层使用的是基于 COCO 数据集 训练的 YOLOv4 模型，能够检测 80 种 常见物体。

启用 GPU：

bbox, label, conf = cv.detect_common_objects(img, enable_gpu=True)

完整的代码请参阅 examples 目录中的 object_detection.py。

实时物体检测

YOLOv4 是一个在 CPU 上运行较为繁重的模型。如果您正在处理实时网络摄像头或视频流，并且没有 GPU，请尝试使用 tiny yolo，它是原始 YOLO 模型的一个较小版本。它的速度显著更快，但准确率较低。

bbox, label, conf = cv.detect_common_objects(img, confidence=0.25, model='yolov4-tiny')

更多详情请参阅示例 [object_detection_webcam.py]。

其他支持的模型：YOLOv3、YOLOv3-tiny。

自定义训练的 YOLO 权重

要使用自定义训练的 YOLOv3/v4 权重进行推理，请尝试以下操作：

from cvlib.object_detection import YOLO

yolo = YOLO(weights, config, labels)
bbox, label, conf = yolo.detect_objects(img)
yolo.draw_bbox(img, bbox, label, conf)

启用 GPU：

bbox, label, conf = yolo.detect_objects(img, enable_gpu=True)

更多详情请参阅示例 [yolo_custom_weights_inference.py]。

示例输出：

工具

视频转帧

get_frames() 方法在您需要从视频中提取所有帧时非常有用。只需传入视频路径，它将返回一个包含所有帧的列表。列表中的每一帧都是一个 numpy 数组。

import cvlib as cv
frames = cv.get_frames('~/Downloads/demo.mp4')

您还可以选择传入一个目录路径，以便将所有帧保存到磁盘上。

frames = cv.get_frames('~/Downloads/demo.mp4', '~/Downloads/demo_frames/')

创建 GIF

animate() 方法允许您从一组图片创建 GIF。只需将图片列表或包含图片的目录路径以及输出 GIF 的文件名作为参数传递给该方法，它就会为您创建 GIF 并将其保存到磁盘。

cv.animate(frames, '~/Documents/frames.gif')

赞助

开发和维护开源项目需要大量的时间和精力。如果您从该项目中受益，请考虑通过 给我买杯咖啡 来支持我的工作（一次性或每月）。

许可证

cvlib 根据 MIT 许可证发布。

帮助

如发现错误或有功能请求，请随时提交 GitHub 问题。（请先确认是否已有人提交过相同的问题）

如有关于使用方法的问题，请在 StackOverflow 上创建新问题，并添加 cvlib 标签。

社区

加入官方 Discord 服务器 或 GitHub 讨论区 ，讨论与 cvlib 相关的一切。

引用

如果您在工作中发现 cvlib 有所帮助，请引用以下内容：

@misc{ar2018cvlib,
  author =       {Arun Ponnusamy},
  title =        {cvlib - high level Computer Vision library for Python},
  howpublished = {\url{https://github.com/arunponnusamy/cvlib}},
  year =         {2018}
}

cvlib 快速上手指南

cvlib 是一个简单、高层且易于使用的 Python 开源计算机视觉库，旨在让开发者通过极少的代码实现人脸检测、性别识别和通用物体检测等功能。

环境准备

在开始之前，请确保您的系统已安装 Python 3.x（注：Python 2.x 未经过官方测试）。

前置依赖

cvlib 依赖以下核心库，若未安装可通过 pip 先行安装：

• OpenCV (opencv-python)
• TensorFlow (tensorflow 或 tensorflow-gpu)

提示：如果您拥有 NVIDIA GPU 并希望启用加速，请确保已正确安装 CUDA Toolkit 和 CuDNN，并选择安装 tensorflow-gpu。若不确定，直接使用 CPU 版的 tensorflow 即可。

安装步骤

推荐使用国内镜像源（如清华源）以加快下载速度。

1. 安装依赖

pip install opencv-python tensorflow -i https://pypi.tuna.tsinghua.edu.cn/simple

(若有 GPU 需求，可将 tensorflow 替换为 tensorflow-gpu)

2. 安装 cvlib

pip install cvlib -i https://pypi.tuna.tsinghua.edu.cn/simple

如需升级到最新版本：

pip install --upgrade cvlib -i https://pypi.tuna.tsinghua.edu.cn/simple

基本使用

以下是三个最核心的功能示例，展示了如何用极简的代码完成复杂的视觉任务。

1. 人脸检测 (Face Detection)

只需调用 detect_face() 即可返回人脸边界框坐标及置信度。底层基于 OpenCV 的 DNN 模块。

import cvlib as cv

# image 为读取后的图像数组 (numpy array)
faces, confidences = cv.detect_face(image)

# 启用 GPU 加速
# faces, confidences = cv.detect_face(image, enable_gpu=True)

2. 性别识别 (Gender Detection)

在检测到人脸后，将人脸区域传入 detect_gender() 即可识别性别（男性/女性）及其概率。

import cvlib as cv

# face 为从原图中裁剪出的人脸区域
label, confidence = cv.detect_gender(face)

# 启用 GPU 加速
# label, confidence = cv.detect_gender(face, enable_gpu=True)

3. 通用物体检测 (Object Detection)

调用 detect_common_objects() 可检测场景中 80 种常见物体（基于 YOLOv4 模型）。配合 draw_bbox 可直接绘制结果。

import cvlib as cv
from cvlib.object_detection import draw_bbox

# img 为输入图像
bbox, label, conf = cv.detect_common_objects(img)

# 绘制边界框
output_image = draw_bbox(img, bbox, label, conf)

# 启用 GPU 加速
# bbox, label, conf = cv.detect_common_objects(img, enable_gpu=True)

# 若无 GPU 且需实时检测，建议使用轻量级模型 (速度更快，精度略低)
# bbox, label, conf = cv.detect_common_objects(img, confidence=0.25, model='yolov4-tiny')