Python口罩检测模型应用

研究人脸检测的时候，碰到口罩检测模型，觉得蛮有意思的就稍作分享下。

主要代码(maskCheck.py)：

# -*- coding:utf-8 -*-
import os
import cv2
import paddlehub as hub
import matplotlib.image as im
import matplotlib.pyplot as plt

# 定义预测结果文件夹
if not os.path.exists('./detection_result'):
    os.mkdir('./detection_result')

# 遍历测试图片
test_img_path = os.listdir('img')
if test_img_path:
    length = len(test_img_path)
    for a in range(1, length + 1):
        test_img_path[a - 1] = './img/' + test_img_path[a - 1]

# 遍历读取图片生成对象列表
imgs = [[cv2.imread(image_path)] for image_path in test_img_path]
for i in imgs:
    # 加载预测模型
    # module = hub.Module(name="pyramidbox_lite_mobile_mask")
    module = hub.Module(name="pyramidbox_lite_server_mask")
    # 口罩检测预测
    visualization = True  # 将预测结果保存图片可视化
    output_dir = 'detection_result'  # 预测结果图片保存在当前运行路径下detection_result文件夹下
    results = module.face_detection(images=i, use_multi_scale=True, shrink=0.6, visualization=True,
                                    output_dir='detection_result')
    for result in results:
        print(result)

# 预测结果展示
# 需要读取的路径
path_name = r'./detection_result'

for item in os.listdir(path=path_name):
    img = im.imread(os.path.join(path_name, item))
    plt.imshow(img)
    plt.show()

img文件夹：存储待检测图片
detection_result：存放检测结果图片
上面代码基本的一些描述已经在代码中会做了标注，运行方式为python maskCheck.py。
对于两个模型检测出来的结果有些许不同（还有误差）。

pyramidbox_lite_mobile_mask.png	pyramidbox_lite_server_mask.png

同时这里对module.face_detection的一些参数做说明：

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。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，则模型计算成本越高。建议用户根据实际应用场景调整该值，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。开启多尺度人脸检测能够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，降低预测速度，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，迅速提升性能。

最后，其实代码本身逻辑不怎么难懂，主要是应用开源模型来实现的，重点在于研究其处理方式，更有兴趣的，可以下载其模型研究(在使用时，已经下载到你本地路径了)。