DeepFace : une bibliothèque Python légère pour la reconnaissance faciale de l'âge, du sexe, des émotions et de la race

Introduction générale

DeepFace est une bibliothèque Python légère pour la reconnaissance faciale et l'analyse des attributs faciaux (y compris l'âge, le sexe, l'émotion et l'ethnicité). Elle intègre plusieurs modèles de reconnaissance faciale de pointe tels que VGG-Face, FaceNet, OpenFace, DeepFace, DeepID, ArcFace, Dlib, SFace et GhostFaceNet. DeepFace permet non seulement une reconnaissance faciale de haute précision, mais aussi des analyses détaillées des attributs faciaux. La bibliothèque est conçue dans le but de simplifier le processus de reconnaissance faciale en permettant aux développeurs d'invoquer facilement ses fonctionnalités pour la vérification, la recherche et l'analyse des visages.

Liste des fonctions

• Reconnaissance faciale : reconnaissance faciale très précise grâce à plusieurs modèles.
• Analyse des attributs faciaux : analyse du visage en fonction de l'âge, du sexe, de l'humeur et de l'origine ethnique.
• Vérification faciale : vérifie que deux images faciales appartiennent à la même personne.
• Fonction de recherche : recherche dans la base de données les visages qui correspondent à l'image d'entrée.
• Prise en charge de plusieurs formats d'entrée : prise en charge des chemins d'accès aux images, des tableaux numpy et des images encodées en base64.
• Stockage efficace de l'intégration faciale : utilisation de fichiers pickle pour stocker les intégrations faciales afin d'accélérer les recherches.
• Installation flexible : prise en charge de l'installation via PyPI et le code source.

Utiliser l'aide

Processus d'installation

La bibliothèque DeepFace peut être installée de deux manières :

1. Installation via PyPI :

pip install deepface

2. Installation via le code source :

git clone https://github.com/serengil/deepface.git
cd deepface
pip install -e .

exemple d'utilisation

Une fois installée, vous pouvez importer et utiliser les fonctionnalités de la bibliothèque DeepFace avec le code suivant :

from deepface import DeepFace

vérification faciale

Vérifier que les deux images faciales appartiennent à la même personne :

result = DeepFace.verify(img1_path="img1.jpg", img2_path="img2.jpg")
print(result["verified"])

reconnaissance faciale

Trouver dans la base de données les visages qui correspondent à l'image d'entrée :

result = DeepFace.find(img_path="img.jpg", db_path="database/")
print(result)

Analyse des attributs faciaux

Analyser les visages en fonction de l'âge, du sexe, de l'humeur et de l'origine ethnique :

result = DeepFace.analyze(img_path="img.jpg", actions=['age', 'gender', 'emotion', 'race'])
print(result)

Fonctionnalités avancées

La bibliothèque DeepFace propose également des fonctionnalités avancées telles que la prédiction par lots, des options d'extraction de visage, etc. Vous trouverez ci-dessous quelques exemples d'utilisation de ces fonctionnalités avancées :

Prédiction par lots

results = DeepFace.analyze(img_paths=["img1.jpg", "img2.jpg"], actions=['age', 'gender', 'emotion', 'race'])
print(results)

Options d'extraction de visage

faces = DeepFace.extract_faces(img_path="img.jpg", target_size=(224, 224), grayscale=False)
print(faces)

problèmes courants

1. Comment puis-je augmenter la vitesse de reconnaissance ?
   • La recherche peut être accélérée en pré-calculant et en stockant les enchâssements faciaux.
   • Utiliser du matériel efficace (par exemple, des GPU) pour les calculs.
2. Comment gérez-vous les images à faible résolution ?
   • Vous pouvez utiliser leresamplepour améliorer la qualité des images à faible résolution.
3. Comment traiter plusieurs visages dans une grande image ?
   • utilisermax_faceslimite le nombre de visages traités.

Grâce à l'aide à l'utilisation détaillée ci-dessus, les utilisateurs peuvent facilement commencer à utiliser la bibliothèque DeepFace pour la reconnaissance faciale et l'analyse des attributs.