当前位置：首页 > news >正文

MogFace人脸检测简单调用：Python API封装与Streamlit前端集成方法

news 2026/3/27 7:27:59

MogFace人脸检测简单调用：Python API封装与Streamlit前端集成方法

1. 项目概述

MogFace是2022年CVPR会议上提出的一种高精度人脸检测模型，基于ResNet101架构设计，在检测多尺度、多姿态和遮挡人脸方面表现出色。本文将介绍如何通过简单的Python API封装和Streamlit前端集成，快速搭建一个本地运行的人脸检测工具。

这个工具的核心价值在于：完全本地运行，无需网络连接，保护用户隐私；支持GPU加速，提升检测速度；提供可视化界面，让非技术人员也能轻松使用。无论是合影人数统计、人脸定位还是安防图像分析，都能获得专业级的效果。

2. 环境准备与安装

2.1 系统要求

在开始之前，请确保你的系统满足以下要求：

Python 3.8或更高版本
PyTorch 2.6或更高版本
NVIDIA显卡（支持CUDA）
至少4GB可用内存

2.2 安装依赖包

打开终端或命令提示符，执行以下命令安装所需依赖：

pip install torch torchvision pip install modelscope pip install streamlit pip install opencv-python pip install Pillow pip install numpy

这些包分别用于：

torch和torchvision：深度学习框架支持
modelscope：模型管理和加载
streamlit：Web界面开发
opencv-python：图像处理和人脸框绘制
Pillow：图像加载和显示
numpy：数值计算

3. 核心代码实现

3.1 Python API封装

首先创建一个名为mogface_detector.py的文件，实现核心的人脸检测功能：

import cv2 import numpy as np from modelscope.pipelines import pipeline from modelscope.utils.constant import Tasks class MogFaceDetector: def __init__(self): """初始化MogFace人脸检测器""" try: self.face_detection = pipeline( task=Tasks.face_detection, model='damo/cv_resnet101_face-detection_cvpr22papermogface', device='cuda' # 强制使用GPU加速 ) print("✅ MogFace模型加载成功") except Exception as e: print(f"❌ 模型加载失败: {str(e)}") raise def detect_faces(self, image_path): """ 检测图片中的人脸 Args: image_path: 图片文件路径 Returns: dict: 包含检测结果和绘制后的图像 """ # 读取图片 image = cv2.imread(image_path) if image is None: raise ValueError("无法读取图片文件") # 执行人脸检测 result = self.face_detection(image_path) # 绘制检测框 output_image = image.copy() face_count = 0 if 'boxes' in result: for i, box in enumerate(result['boxes']): confidence = result['scores'][i] if 'scores' in result else 0 # 只显示置信度大于0.5的人脸 if confidence >= 0.5: face_count += 1 x1, y1, x2, y2 = map(int, box) # 绘制绿色矩形框 cv2.rectangle(output_image, (x1, y1), (x2, y2), (0, 255, 0), 2) # 标注置信度 label = f"{confidence:.2f}" cv2.putText(output_image, label, (x1, y1-10), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0, 255, 0), 2) return { 'original_image': image, 'processed_image': output_image, 'face_count': face_count, 'raw_result': result }

3.2 Streamlit前端界面

接下来创建app.py文件，实现用户交互界面：

import streamlit as st import tempfile import os from mogface_detector import MogFaceDetector from PIL import Image import numpy as np # 设置页面标题和布局 st.set_page_config( page_title="MogFace人脸检测工具", page_icon="🧐", layout="wide" ) # 初始化检测器 @st.cache_resource def load_detector(): try: detector = MogFaceDetector() return detector except Exception as e: st.error(f"❌ 模型加载失败: {str(e)}") return None # 页面标题和介绍 st.title("🧐 MogFace高精度人脸检测工具") st.markdown(""" 基于MogFace（CVPR 2022）模型开发的本地人脸检测工具，支持检测多尺度、多姿态、遮挡人脸。 **特点**: 自动绘制检测框+置信度标注+人脸计数，GPU加速，纯本地运行无网络依赖。 """) # 加载模型 detector = load_detector() if detector is not None: st.success("✅ 模型加载成功！") # 侧边栏上传图片 st.sidebar.header("上传图片") uploaded_file = st.sidebar.file_uploader( "上传照片 (建议合影或人脸照)", type=['jpg', 'jpeg', 'png'] ) if uploaded_file is not None: # 保存上传的文件 with tempfile.NamedTemporaryFile(delete=False, suffix='.jpg') as tmp_file: tmp_file.write(uploaded_file.getvalue()) image_path = tmp_file.name # 双列布局 col1, col2 = st.columns(2) with col1: st.subheader("原始图片") image = Image.open(uploaded_file) st.image(image, use_column_width=True) with col2: st.subheader("检测结果") if st.button("开始检测 (Detect)"): with st.spinner("正在检测人脸..."): try: result = detector.detect_faces(image_path) # 显示处理后的图片 st.image(result['processed_image'], use_column_width=True) # 显示检测结果 st.success(f"✅ 成功识别出 {result['face_count']} 个人！") # 原始输出数据（可折叠） with st.expander("查看原始输出数据"): st.json(result['raw_result']) except Exception as e: st.error(f"检测失败: {str(e)}") # 清理临时文件 os.unlink(image_path) else: st.error("无法加载人脸检测模型，请检查环境配置。")