当前位置：首页 > news >正文

从人脸验证到属性分析：用DeepFace和Streamlit快速搭建一个本地人脸分析Demo

news 2026/5/27 0:16:42

从人脸验证到属性分析：用DeepFace和Streamlit快速搭建本地人脸分析Demo

人脸识别技术早已从实验室走向日常生活，但大多数人只接触过成品应用，对背后的技术实现知之甚少。本文将带你用Python生态中的两个利器——DeepFace和Streamlit，快速构建一个功能全面的人脸分析Web应用。无需复杂的前端知识，只需基础Python技能，就能在本地运行一个具备以下能力的交互式工具：

人脸验证：判断两张照片是否为同一人
属性分析：检测年龄、性别、情绪和种族
可视化展示：用进度条和图表直观呈现分析结果

这个项目特别适合想快速验证AI模型能力的开发者，或是需要演示原型的产品经理。我们将从环境配置开始，逐步实现图片上传、模型调用和结果展示的全流程。

1. 环境准备与依赖安装

在开始编码前，需要确保开发环境配置正确。推荐使用Python 3.8或更高版本，避免因版本兼容性问题导致库安装失败。

首先创建并激活虚拟环境：

python -m venv face_analysis_env source face_analysis_env/bin/activate # Linux/Mac face_analysis_env\Scripts\activate # Windows

安装核心依赖库：

pip install deepface streamlit opencv-python pillow plotly

这里有几个关键点需要注意：

DeepFace：作为核心人脸分析库，首次运行时会自动下载预训练模型（约500MB）
Streamlit：用于构建Web界面的轻量级框架
OpenCV：处理图像的基础库
Pillow：Python图像处理标准库
Plotly：用于创建交互式图表

提示：如果下载模型速度慢，可以设置代理环境变量或手动下载模型文件放到正确路径。

2. 构建基础Streamlit应用框架

Streamlit的最大优势是可以用纯Python代码快速构建Web界面。我们先创建一个app.py文件，搭建基础结构：

import streamlit as st st.set_page_config(page_title="人脸分析Demo", layout="wide") st.title("本地人脸分析演示系统") # 侧边栏导航 analysis_type = st.sidebar.selectbox( "选择分析类型", ["人脸验证", "属性分析"] ) # 主内容区 if analysis_type == "人脸验证": st.header("人脸验证") # 后续内容将在这里添加 else: st.header("人脸属性分析") # 后续内容将在这里添加

这个基础框架已经实现了：

页面标题和布局配置
侧边栏导航菜单
根据选择显示不同内容区域

运行应用测试：

streamlit run app.py

你应该能在浏览器中看到一个基本的界面框架，虽然还没有实际功能，但导航切换已经可以工作。

3. 实现人脸验证功能

人脸验证是比较两张人脸是否为同一个人的过程。我们将在应用中添加图片上传和比较功能。

首先在app.py中添加以下代码到人脸验证部分：

from deepface import DeepFace from PIL import Image import os # 图片上传组件 col1, col2 = st.columns(2) with col1: img1 = st.file_uploader("上传第一张图片", type=["jpg", "png"]) with col2: img2 = st.file_uploader("上传第二张图片", type=["jpg", "png"]) if img1 and img2: # 显示上传的图片 col1.image(img1, use_column_width=True) col2.image(img2, use_column_width=True) # 临时保存图片 temp_dir = "temp_images" os.makedirs(temp_dir, exist_ok=True) img1_path = os.path.join(temp_dir, "img1.jpg") img2_path = os.path.join(temp_dir, "img2.jpg") with open(img1_path, "wb") as f: f.write(img1.getbuffer()) with open(img2_path, "wb") as f: f.write(img2.getbuffer()) # 验证按钮 if st.button("开始验证"): try: result = DeepFace.verify(img1_path, img2_path) if result["verified"]: st.success(" 两张图片是同一个人！") else: st.error(" 两张图片不是同一个人") # 显示详细结果 with st.expander("查看详细结果"): st.json(result) except Exception as e: st.error(f"分析出错: {str(e)}")

这段代码实现了：

并排显示两个图片上传组件
预览上传的图片
临时保存图片到本地
调用DeepFace进行验证
显示验证结果和详细信息

注意：首次运行时会下载VGG-Face模型，可能需要几分钟时间。

4. 实现人脸属性分析

人脸属性分析可以提取年龄、性别、情绪和种族等信息。我们在属性分析部分添加以下代码：

import cv2 import numpy as np import plotly.express as px img_file = st.file_uploader("上传人脸图片", type=["jpg", "png"]) if img_file: # 显示上传的图片 st.image(img_file, caption="上传的图片", use_column_width=True) # 临时保存图片 temp_dir = "temp_images" os.makedirs(temp_dir, exist_ok=True) img_path = os.path.join(temp_dir, "analysis_img.jpg") with open(img_path, "wb") as f: f.write(img_file.getbuffer()) if st.button("开始分析"): try: # 分析属性 analysis = DeepFace.analyze(img_path, actions=["age", "gender", "emotion", "race"]) result = analysis[0] # 因为DeepFace返回的是列表 # 显示年龄和性别 col1, col2 = st.columns(2) col1.metric("年龄", f"{result['age']}岁") gender = "男性" if result["gender"] == "Man" else "女性" col2.metric("性别", gender) # 显示情绪分析 st.subheader("情绪分析") emotions = result["emotion"] fig = px.bar( x=list(emotions.keys()), y=list(emotions.values()), labels={"x": "情绪", "y": "概率"}, color=list(emotions.keys()) ) st.plotly_chart(fig, use_container_width=True) # 显示种族分析 st.subheader("种族分析") races = result["race"] fig = px.pie( names=list(races.keys()), values=list(races.values()), title="种族分布" ) st.plotly_chart(fig, use_container_width=True) # 显示详细结果 with st.expander("查看原始分析数据"): st.json(result) except Exception as e: st.error(f"分析出错: {str(e)}")

这段代码实现了：

图片上传和预览
调用DeepFace分析多种属性
用Metric组件显示年龄和性别
用Plotly图表展示情绪和种族分析结果
提供原始数据的查看选项

5. 优化与部署建议

现在基本功能已经完成，但还有一些可以优化的地方：

性能优化：

# 在文件开头添加 @st.cache_resource def load_models(): # 预加载模型 DeepFace.build_model("VGG-Face") DeepFace.build_model("Age") DeepFace.build_model("Gender") DeepFace.build_model("Emotion") DeepFace.build_model("Race") # 在应用启动时调用 load_models()

这个缓存装饰器可以避免每次分析都重新加载模型，显著提升响应速度。

界面改进：