基于飞浆Paddlehub的口罩检测
这是记录 《深度学习7日入门-CV疫情特辑》的一篇文章。
最早接触百度的飞浆（PaddlePaddle）是因为 口罩检测 的文章，年初的口罩检测项目，也就是本篇文件的样例代码。
飞浆 Paddlepaddle
飞浆 Paddlepaddle 是百度2016年开源的深度学习框架，同 Tensorflow 类似，这可能是目前为止国内开源的最具生态的深度学习框架，但是无论从完善程度，上下游生态，算力平台以及推广来说，百度的飞浆都会少领先许多，当然目前国内开源的深度学习框架也逐渐增多：
- 华为的 MindSpore，
- 旷视的 MegEngine（天元），
- 清华的 Jittor（计图）；
PaddleHub
PaddleHub 是飞桨预训练模型管理和迁移学习工具，HubList 提供了 文本、图形、视频 三大领域的许多模型，我们可以基于已有的模型做更多的迁移学习，站在巨人的肩膀可以让我们走的更远；同等对比的就是 tensorflow hub，通过 模型 HUB 我们可以省去很多麻烦，也可以更快的基于基础数据去训练模型。
口罩识别
安装
安装 Paddlepaddle 和 Paddlehub:
pip install paddlepaddle -i https://mirror.baidu.com/pypi/simple
pip install --upgrade paddlehub -i https://pypi.tuna.tsinghua.edu.cn/simplejupyter-lab 或 jupyter book 请注意命令前加
!
安装:
pip install matplotlib查看图片
import matplotlib.pyplot as plt
import matplotlib.image as mpimg
# 待预测图片,注意图片路径
test_img_path = ["test_mask_detection.jpg"]
img = mpimg.imread(test_img_path[0])
# 展示待预测图片
plt.figure(figsize=(10,10))
plt.imshow(img)
plt.axis('off')
plt.show()加载模型
import paddlehub as hub
module = hub.Module(name="pyramidbox_lite_server_mask")可以再 HubList 找到更多的模型，尝试更多的检测方法。
预测
基于文件路径检测:
input_dict = {"image": test_img_path}
# 口罩检测预测
results = module.face_detection(data=input_dict)
for result in results:
print(result)基于图形文件对象
import paddlehub as hub
import cv2
module = hub.Module(name="pyramidbox_lite_server_mask")
# 通过 `data` 传入 image 对象
input_dict = {"data": [cv2.imread(test_img_path)]}
results = module.face_detection(data=input_dict)更多详情可参考: pyramidbox_lite_server_mask
可以得到一下结构数据
results = [{'data': {'label': 'MASK',
'left': 86.54811638593674,
'right': 260.11792945861816,
'top': -1.8985447883605957,
'bottom': 188.90275812149048,
'confidence': 0.99128973},
'id': 1,
'path': '1.png'}]可以直接契合到已有的 API 服务或者RPC服务。
Ai Studio
AI Studio 是基于百度深度学习平台飞桨的平台，提供在线编程环境、免费GPU算力、海量开源算法和开放数据，之所以说飞浆是生态最为完善的原因 Ai Studio 是有很大的原因的。
其中免费的算力平台是我最为喜欢的:
项目
想要使用免费的算力和资源，你需要通过建立一个项目去进入 Notebook，这里还提供了很多开源的数据集可以使用。
口罩检测
我将文章中的代码放到了公开的 NoteBook 中 口罩检测 ，你可以直接 Fork 尝试。