faced

🚀 😏 CPU（近）实时人脸检测（face detection）

如何安装

$ pip install git+https://github.com/iitzco/faced.git

即将上线 PyPI。

如何使用

作为库使用

import cv2

from faced import FaceDetector
from faced.utils import annotate_image

face_detector = FaceDetector()

img = cv2.imread(img_path)
rgb_img = cv2.cvtColor(img.copy(), cv2.COLOR_BGR2RGB)

# 接收 RGB 格式的 NumPy 图像 (HxWxC)，并返回
# (x_center, y_center, width, height, prob) 元组。
bboxes = face_detector.predict(rgb_img, thresh)

# 使用此工具函数对图像进行标注。
ann_img = annotate_image(img, bboxes)

# 显示图像
cv2.imshow('image',ann_img)
cv2.waitKey(0)
cv2.destroyAllWindows()

作为命令行程序使用

# 对图像进行检测并保存输出结果
$ faced --input imgs/demo.png --save

或

# 实时摄像头检测
$ faced --input webcam

或

# 对视频进行检测，并使用较低的判定阈值
$ faced --input imgs/demo.mp4 --threshold 0.5

更多信息请查看 faced --help。

示例

性能表现

CPU（i5 2015 款 MacBook Pro）	GPU（Nvidia TitanXP）
~5 FPS	> 70 FPS

与 Haar Cascades 的对比

Haar Cascades 是最常用的人脸检测模型之一。以下是与 OpenCV 实现的 Haar Cascades 的对比，展示了 faced 的鲁棒性（robustness）。

faced	Haar Cascade

关于 faced

faced 是由两个深度神经网络组成的集成模型（ensemble），使用 TensorFlow 实现，专为在 CPU 上实现实时运行而设计。

第一阶段：

基于 YOLO 的自定义全卷积神经网络（FCNN, Fully Convolutional Neural Network）。接收一张 288x288 的 RGB 图像，并输出一个 9x9 的网格，每个网格单元可预测边界框（bounding box）及其中包含人脸的概率。

第二阶段：

使用一个自定义的标准 CNN（包含卷积层 + 全连接层），对第一阶段输出的含人脸矩形区域进行处理，进一步预测更精确的人脸边界框。这是一个微调（fine-tuning）步骤。（第一阶段模型的输出本身不够精确，此步骤作为一个“校正器”（corrector），对前一阶段预测的每个边界框进行优化，以提升边界框质量。）

为什么不直接在已训练好的 YOLO（或 MobileNet+SSD）上做迁移学习（transfer learning）？

这些模型最初是为多类别检测（约 80 个类别）而设计的。因此，网络必须足够强大，才能捕捉大量不同层次的特征（低层和高层），以识别差异极大的各类物体。这里的“强大”意味着拥有大量可学习参数，从而导致网络体积庞大。这类大型网络无法在 CPU 上实现实时性能。[1]

但对于仅需检测人脸这一简单任务而言，这种设计显然过度了。本项目旨在证明：针对较简单的任务（不需要提取大量特征），可以设计出更轻量级的网络。

[1] 这些模型（至少 YOLO）无法在 CPU 上实现实时运行。即使是 tiny-yolo 版本，在 CPU 上也无法达到 1 FPS（已在配备 2.6 GHz Intel Core i5 的 2015 款 MacBook Pro 上测试验证）。

如何训练的？

训练使用了 WIDER FACE 数据集，并在 Nvidia Titan XP GPU 上完成。

如果你对训练过程和/或数据预处理感兴趣，请直接提交一个 issue，我们将在那里讨论。

如何在 GPU 上运行？

只需安装 tensorflow-gpu 而非 tensorflow 即可。

当前状态

🚧 开发中 🚧
模型将持续改进并上传。

本项目尚未达到生产就绪（Production ready）状态。使用风险自负。

faced 快速上手指南

环境准备

• 操作系统：支持 Linux、macOS 和 Windows
• Python 版本：建议 Python 3.6+
• 依赖库：
  • OpenCV (cv2)
  • TensorFlow（默认使用 CPU 版；如需 GPU 加速，请安装 tensorflow-gpu）
• 硬件建议：
  • CPU 模式可在普通笔记本运行（实测 2015 款 MacBook Pro i5 约 5 FPS）
  • GPU 模式需 NVIDIA 显卡并安装对应 CUDA 驱动

💡 国内用户建议配置 pip 镜像源（如清华源）以加速依赖安装。

安装步骤

$ pip install git+https://github.com/iitzco/faced.git

⚠️ 注意：该工具尚未发布到 PyPI，需通过 GitHub 直接安装。
如需 GPU 支持，请额外安装：

$ pip install tensorflow-gpu

基本使用

方法一：作为 Python 库调用

import cv2
from faced import FaceDetector
from faced.utils import annotate_image

face_detector = FaceDetector()
img = cv2.imread("your_image.jpg")
rgb_img = cv2.cvtColor(img.copy(), cv2.COLOR_BGR2RGB)

# 执行人脸检测（返回格式：x_center, y_center, width, height, prob）
bboxes = face_detector.predict(rgb_img, thresh=0.8)

# 可视化结果
ann_img = annotate_image(img, bboxes)
cv2.imshow('image', ann_img)
cv2.waitKey(0)
cv2.destroyAllWindows()

方法二：命令行直接使用

• 检测图片并保存结果：

  $ faced --input imgs/demo.png --save
  

• 实时摄像头检测：

  $ faced --input webcam
  

• 视频检测（可调阈值）：

  $ faced --input imgs/demo.mp4 --threshold 0.5
  

更多参数请运行 faced --help 查看。