介紹

從面部圖像中檢測性別是計算機視覺的眾多迷人應(yīng)用之一。在此項目中，我們將OPENCV結(jié)合起來，以面對位置和用於性別分類的Roboflow API，製作一種識別面部的設(shè)備，檢查它們並預(yù)測其性別。我們將使用Python，尤其是在Google Colab中，以輸入和運行此代碼。該直接提供了易於遵循的代碼演練，澄清了每個步驟，以便您可以理解並將其應(yīng)用於您的企業(yè)。

學(xué)習(xí)目標(biāo)

• 了解如何使用OpenCV的Haar Cascade實施面部檢測。
• 了解如何整合Roboflow API進行性別分類。
• 探索在Python中處理和操縱圖像的方法。
• 使用matplotlib可視化檢測結(jié)果。
• 在結(jié)合現(xiàn)實世界應(yīng)用的AI和計算機願景方面發(fā)展實用技能。

本文作為數(shù)據(jù)科學(xué)博客馬拉鬆的一部分發(fā)表。

目錄

• 如何使用Python中的OpenCV和Roboflow檢測性別？
  • 步驟1：導(dǎo)入庫和上傳圖像
  • 步驟2：加載HAAR級聯(lián)模型以進行面部檢測
  • 步驟3：檢測圖像中的面孔
  • 步驟4：設(shè)置性別檢測API
  • 步驟5：處理每個檢測到的臉部
  • 步驟6：顯示結(jié)果
• 常見問題

如何使用Python中的OpenCV和Roboflow檢測性別？

讓我們學(xué)習(xí)如何在Python中實施OpenCV和Roboflow進行性別檢測：

步驟1：導(dǎo)入庫和上傳圖像

主要步驟是結(jié)果重要的庫。我們正在利用OpenCV進行圖片準(zhǔn)備，用於處理簇的Numpy，然後Matplotlib可視化。我們還上傳了一個圖像，其中包含我們要分析的面孔。

從Google.Colab導(dǎo)入文件
導(dǎo)入CV2
導(dǎo)入numpy作為NP
從matplotlib導(dǎo)入PHPLOT作為PLT
來自penperion_sdk import inferencehttpclient

＃上傳圖像
上傳= files.upload（）

＃加載圖像
對於uploaded.keys（）中的文件名：
    img_path =文件名

在Google Colab中，F(xiàn)iles.upload（）工作使客戶能夠?qū)⒂涗洠ɡ鐖D片）從附近的機器傳輸?shù)紺olab環(huán)境中。上傳後，將圖片放在名為“轉(zhuǎn)移的單詞參考”中，其中鍵與記錄名稱相比。然後，使用A循環(huán)提取文件路徑以進行進一步處理。為了處理圖像處理任務(wù)，使用OpenCV來檢測面部並繪製周圍的邊界框。同時，Matplotlib被用來可視化結(jié)果，包括顯示圖像和裁剪的面孔。

步驟2：加載HAAR級聯(lián)模型以進行面部檢測

接下來，我們堆疊OpenCV的Haar Cascade示範(fàn)，該示範(fàn)是預(yù)先訓(xùn)練的，以識別面孔。該模型將圖像掃描是否類似於人臉並返回其坐標(biāo)。

 ＃加載HAAR級聯(lián)模型進行面部檢測
face_cascade = cv2.cascadeclalsifier（cv2.data.haarcascades'haarcascade_frontalface_default.xml'）

它通常是對象檢測的普遍策略。它標(biāo)識了與對象關(guān)聯(lián)的邊緣，紋理和模式（在這種情況下，面部）。 OPENCV提供了一種預(yù)訓(xùn)練的面部檢測模型，該模型使用``cascadeclalsifier''加載。

步驟3：檢測圖像中的面孔

我們堆疊了傳輸?shù)膱D片並將其更改為灰度，因為這在與位置精確度相遇方面取得了長足的進步。之後，我們使用面部檢測器在圖像中找到面。

 ＃加載圖像並轉(zhuǎn)換為灰度
img = cv2.imread（img_path）
灰色= cv2.cvtcolor（img，cv2.color_bgr2gray）

＃檢測圖像中的面孔
faces = face_cascade.detectmultiscale（灰色，scalefactor = 1.1，minneighbors = 5，minsize =（30，30））

• 圖像加載和轉(zhuǎn)換：
  • 利用cv2.imread（）堆疊傳輸?shù)膱D片。
  • 將圖片更改為用CV2.CVTCOLOR（）將圖片更改為降低複雜性併升級發(fā)現(xiàn)。
• 檢測面孔：
  • 使用DentectMultiscale（）在灰度圖像中查找面孔。
  • 該功能會縮放圖像並檢查不同區(qū)域的面部圖案。
  • 諸如ScaleFactor和Minneighbors之類的參數(shù)調(diào)整了檢測靈敏度和準(zhǔn)確性。

步驟4：設(shè)置性別檢測API

現(xiàn)在，我們已經(jīng)檢測到了面部，我們使用terperionhttpclient初始化了Roboflow API，以預(yù)測每個檢測到的面部的性別。

 ＃初始化inperionhttpclient以進行性別檢測
client = renferehttpclient（
    api_url =“ https://detect.roboflow.com”，
    api_key =“ use_your_api”
）

通過使用RoboFlow API URL和API鍵配置客戶端，The pernectionHTTPClient通過配置客戶端來簡化與Roboflow的預(yù)訓(xùn)練模型的交互。此設(shè)置使請求可以發(fā)送到Roboflow上託管的性別檢測模型。 API鍵是用於身份驗證的唯一標(biāo)識符，可以安全地訪問Roboflow API。

步驟5：處理每個檢測到的臉部

我們循環(huán)穿過每個檢測到的面，在其周圍繪製一個矩形，然後裁剪臉部圖像以進行進一步處理。每個裁剪的面部圖像均可暫時保存並發(fā)送到Roboflow API，在該API中，性別檢測-QIYYG/2模型用於預(yù)測性別。

性別檢測-QIYYG/2模型是一種預(yù)先訓(xùn)練的深度學(xué)習(xí)模型，可根據(jù)面部特徵將性別分類為男性或女性。它提供了置信度得分的預(yù)測，表明該模型與分類有關(guān)。該模型在強大的數(shù)據(jù)集上進行了訓(xùn)練，從而使其能夠在各種面部圖像上進行準(zhǔn)確的預(yù)測。這些預(yù)測由API返回，用於標(biāo)記每個面部的性別和置信度水平。

 ＃初始化面部計數(shù)
face_count = 0

＃列表以存儲帶有標(biāo)籤的裁剪面部圖像
chropped_faces = []

＃處理每個檢測到的面孔
for（x，y，w，h）面部：
    face_count = 1
    ＃在檢測到的面孔周圍繪製矩形
    cv2.Rectangle（img，（x，y），（xw，yh），（255，0，0），2）
    
    ＃提取面部區(qū)域
    face_img = img [y：yh，x：xw]
    
    ＃暫時保存面部圖像
    face_img_path ='temp_face.jpg'
    cv2.imwrite（face_img_path，face_img）
    
    ＃使用inperionhttpclient檢測性別
    結(jié)果= client.infer（face_img_path，model_）
    
    如果結(jié)果中的“預(yù)測”和結(jié)果[“預(yù)測”]：
        預(yù)測=結(jié)果['預(yù)測'] [0]
        性別=預(yù)測['class']
        信心=預(yù)測['信心']
        
        ＃用性別和信心標(biāo)記矩形
        label = f'{gender}（{prucors：.2f}）'
        cv2.putText（img，label，（x，y -10），cv2.font_hershey_simplex，0.8，（255，0，0），2）
        
        ＃將裁剪的臉和標(biāo)籤添加到列表中
        chropped_faces.append（（face_img，label））

對於每個公認(rèn)的臉部，系統(tǒng)都使用cv2.Rectangle（）繪製一個邊界框，以在圖像中直觀介紹圖像中的臉部。然後，它使用切片（face_img = img [y：yh，x：xw]）進行面部區(qū)域，將其隔離以進行進一步處理。在暫時保存裁剪的面孔後，系統(tǒng)將其通過client.infer（）發(fā)送到Roboflow模型，該模型將返回性別預(yù)測以及置信度得分。該系統(tǒng)使用cv2.puttext（）將這些結(jié)果添加為每張面部上方的文本標(biāo)籤，從而提供了清晰且內(nèi)容豐富的覆蓋層。

步驟6：顯示結(jié)果

最後，我們可視化輸出。我們首先將圖像從BGR轉(zhuǎn)換為RGB（因為OpenCV默認(rèn)使用BGR），然後顯示檢測到的面部和性別預(yù)測。之後，我們顯示了各自的標(biāo)籤。

 ＃將圖像從BGR轉(zhuǎn)換為RGB以進行顯示
img_rgb = cv2.cvtcolor（img，cv2.color_bgr2rgb）

＃用檢測到的面孔和性別標(biāo)籤顯示圖像
plt.figure（無花果=（10，10））
plt.imshow（img_rgb）
plt.axis（'off'）
plt.title（f“檢測到的面：{face_count}”）
plt.show（）

＃水平顯示每個裁剪的臉部
圖，軸= plt.subplot（1，face_count，figsize =（15，5））
對於我（face_img，標(biāo)籤）中的（cropped_faces）：
    face_rgb = cv2.cvtcolor（face_img，cv2.color_bgr2rgb）
    軸[i] .imshow（face_rgb）
    軸[i] .axis（'off'）
    axes [i] .set_title（label）
plt.show（）

• 圖像轉(zhuǎn)換：由於OpenCV默認(rèn)使用BGR格式，因此我們使用CV2.CVTCOLOR（）將圖像轉(zhuǎn)換為RGB，以在Matplotlib中進行正確的顏色顯示。
• 顯示結(jié)果：
  • 我們使用matplotlib在其頂部顯示帶有檢測到的面孔的圖像和性別標(biāo)籤。
  • 我們還在單獨的子圖中顯示了每個裁剪的面部圖像和預(yù)測的性別標(biāo)籤。

原始數(shù)據(jù)

輸出結(jié)果數(shù)據(jù)

結(jié)論

在本指南中，我們在Python的OpenCV和Roboflow成功地開發(fā)了強大的性別檢測。通過實現(xiàn)openCV以進行面部檢測和性別預(yù)測的roboflow，我們創(chuàng)建了一個可以準(zhǔn)確識別和對圖像中的性別進行分類的系統(tǒng)。添加Matplotlib進行可視化進一步增強了我們的項目，從而提供了清晰而有見地的結(jié)果。該項目強調(diào)了將這些技術(shù)結(jié)合起來的有效性，並在現(xiàn)實世界應(yīng)用中展示了它們的實際好處，為性別檢測任務(wù)提供了強大的解決方案。

關(guān)鍵要點

• 該項目展示了一種使用預(yù)訓(xùn)練的AI模型從圖像中檢測和分類性別的有效方法。演示精確地以高度確定性區(qū)分了性取向，表現(xiàn)出其堅定不移的質(zhì)量。
• 通過將諸如Roboflow之類的設(shè)備相結(jié)合，用於AI扣除，用於圖片製備的OpenCV和用於可視化的Matplotlib，該冒險活動有效地結(jié)合了不同的創(chuàng)新以實現(xiàn)其目標(biāo)。
• 該系統(tǒng)在單一圖片中區(qū)分和分類不同人的性別的能力突出了其活力和靈活性，使其適合各種應(yīng)用。
• 通過預(yù)先訓(xùn)練的示威證明可以保證預(yù)測的高度精確性，這是通過在即將到來的確定性得分來證明的。這種準(zhǔn)確性對於需要可靠的性別分類的應(yīng)用至關(guān)重要。
• 該項目使用可視化技術(shù)用檢測到的面部和預(yù)測性別來註釋圖像。這使得結(jié)果對於進一步的分析更容易解釋和有價值。

另請閱讀：使用NLP和Python的基於命名的性別識別

常見問題

答：該項目旨在使用AI從圖像中檢測和分類性別。它利用預(yù)先培訓(xùn)的模型來識別和標(biāo)記照片中的性別。

答：該項目利用了AI推理的Roboflow性別檢測模型，用於圖像處理的OPENCV和MATPLOTLIB進行可視化。它還使用Python進行腳本和數(shù)據(jù)處理。

答：該模型分析圖像以檢測面部，然後根據(jù)訓(xùn)練有素的AI算法將每個檢測到的面孔分為男性或女性。它為預(yù)測輸出置信度得分。

答：該模型以置信度得分錶明高精度表明了可靠的預(yù)測。例如，結(jié)果的置信得分高於80％，顯示出強勁的性能。

本文所示的媒體不由Analytics Vidhya擁有，並由作者酌情使用。

以上是Python中使用OpenCV和Roboflow進行性別檢測 - 分析Vidhya的詳細(xì)內(nèi)容。更多資訊請關(guān)注PHP中文網(wǎng)其他相關(guān)文章！