【项目实战课】基于Pytorch的PFLD人脸关键点检测实战

人脸关键点检测之PFLD 1. 简介 人脸关键点检测也称为人脸对齐,目的是自动定位一组预定义的人脸基准点(比如眼角点、嘴角点)。作为一系列人脸应用的基础,如人脸识别和验证,以及脸部变形和人脸编辑。这个问题一直以来都受到视觉界的高度关注,在过去的几年里,我们的产品取得了很大的进步。然而,开发一种实用的人脸关键点检测器仍然具有挑战性,因为检测精度,处理速度和模型大小都应该考虑。 在现实世界条件下,获得完美的面孔几乎是不可能的。换句话说,人脸经常是出现在控制不足甚至没有约束的环境中。在不同的照明条件下,它的外表有各种各样的姿势、表情和形. 阅读详情

7a624a59b25878991c62fc6ebbc56547.jpeg

欢迎大家来到我们的项目实战课,本期内容是《基于Pytorch的PFLD人脸关键点检测实战》。所谓项目课,就是以简单的原理回顾+详细的项目实战的模式,针对具体的某一个主题,进行代码级的实战讲解。

本次主题

人脸关键点检测是一个非常基础的任务,在人脸对齐,人脸表情识别,人脸三维重建,

人脸美容美妆中是必备的技术,被广泛应用于人脸跟踪与各类人脸特效算法。

本次我们给大家讲解一个基于轻量级人脸关键点检测框架PFLD的人脸关键点检测实战,本次课程定价为49元,经过剪辑后的总时长约为60分钟,各部分课程内容与时长如下:

部分

内容

时长(分钟)

No.1

项目介绍

7

No.2

数据读取

20

No.3

模型搭建

10

No.4

模型训练

9

No.5

模型测试

6

下面我们来简单看一下各部分的内容:

第1部分:介绍本次项目的内容,本部分内容可以免费收听。

361c1727246aeeb253e284d0c3f39051.png

第2部分:数据预处理,数据集的准备,数据类的定义和读取。

edaef8285d93a3fe3ac1d82d35c76d8f.png

c4f378c0b082e33b2299f9ae0c01f64f.png

第3部分:模型的原理与搭建

f23451501c5596fb5320ebaaf235533b.png

19bf42ad014c8bb9a36d25a5b6f61679.png

第4部分:模型训练,结果可视化分析。

7e8df61c903c9259df698da8885be7bd.png

第5部分:模型测试,使用测试集中的图片以及自己的图片进行推理。

8c6a4cda87f7bdea14987e48ba66c012.png

4929e2c79a95c6e72335ab42ed8b5a77.png

本次课程为录播课程,讲师为言有三,技术社区《有三AI》创始人。

baa0b5688e9112404102e5cd45d9d301.png

先后就读于华中科技大学(2008-2012),中国科学院半导体研究所神经网络实验室(2012-2015),先后就职于奇虎360人工智能研究院(2015.7-2017.5),陌陌科技深度学习实验室(2017.5-2019.3),深度学习算法专家,阿里云MVP,华为云MVP。

拥有超过7年的计算机视觉从业经验,拥有丰富的传统图像算法和深度学习计算机视觉项目经验,著有书籍《深度学习之图像识别:核心技术与案例实战》(机械工业出版社2019.4),《深度学习之模型设计:核心算法与案例实践》(电子工业出版社2020.6),《深度学习之人脸图像处理:核心算法与案例实战》(机械工业出版社2020.7),《深度学习之摄影图像处理:核心算法与案例精粹》(人民邮电出版社2021.4),拥有10余项发明技术专利与学术论文。

如何订阅

我们的视频课全部在小鹅通平台,可以使用手机APP鹅学习或者直接在网页进行登录,内容试听以及订阅请直接扫如下二维码:

293b2457b557802db4a3f65fe5a73013.jpeg

课程详情如下:

ef3dd49e845940aac1bf2967af351a0c.jpeg

如果想一次性学习人脸检测与识别相关的内容,大家也可以订阅《深度学习之人脸检测与识别》专栏,介绍如下:

【视频课】13小时+3大项目掌握深度学习人脸图像检测与识别

2ca770bbd97a90193c1f754811b2ff3c.png

更多实战课内容

更多的项目实战课内容,请大家参考我们的项目实战课程合集,如下:

【CV冬季划】终极进阶,超30个项目实战+3大基础方向专栏+3本书+3年知识星球(2022年言有三一对一辅导)

4f81422411c0f4a502c506caa2527135.jpeg

课程相关问题答疑,请联系微信-坨坨瑜进项目实战群:

db0b55b3af0fb284de6897b7859e3649.png

f36bc7a2fca1900f983316a6a14b89e4.jpeg

实战课讲师招募

为了进一步丰富有三AI生态的实战内容,欢迎有经验,有能力的讲师报名成为平台讲师:

8dcc468d8297253ff3cd5f21839f549f.png

讲师要求如下:

(1) 有多次人工智能领域教学经验,擅长演讲与教学。

(2) 有3年以上人工智能领域项目实战经验。

(3) 有三AI已有生态成员优先。

实战课的收入与平台采取固定分成的方式,具体细节可在内容组了解详情,报名请联系微信-坨坨瑜提交简历,或直接联系有三本人。

30843603bcfc83c5f5ff3b84f9ca6889.png

67dbb3c5b9337e4234120bfdc4b2c072.png

d9bb6dc2280755c01e45c69cb1c53e2f.png

往期相关

PFLD人脸关键点检测:从PyTorch到ONNX与NCNN部署链路详解 人脸关键点检测是计算机视觉中人脸分析的基础技术,广泛用于美颜、姿态估计、疲劳监测等场景。在移动端和嵌入式设备上,轻量级模型与高效推理部署成为工程落地的核心挑战。PFLD 作为实用的人脸关键点检测网络,凭借轻量主干与精度平衡,成为低算力环境下的常见选择。本文从损失函数设计入手,解析 PFLD 的地理感知权重与 Wing Loss 原理,并详细演示从 PyTorch 训练权重到 ONNX 导出,再到 NCNN 转换的完整部署链路。通过实测对比与常见问题梳理,帮助开发者理解模型转换、推理加速及精度对齐的工程方法, 阅读详情

相关推荐

PFLD人脸关键点检测:从源码到ONNX部署的完整实践

人脸关键点检测是计算机视觉中人脸分析的核心前置任务,广泛应用于人脸对齐、姿态估计、表情识别等场景。其难点在于如何在算力受限的设备上保持精度与速度的平衡。PFLD(Practical Facial Landmark Detector)通过轻量主干网络与辅助姿态回归分支,在极端头部姿态下仍能输出稳定的106点坐标,成为工程落地的优选方案。实际项目中,从PyTorch训练到ONNX导出,再到MTCNN人脸框检测与坐标还原,每个环节都会影响最终精度。本文分享一套可直接运行的PFLD工程,包含多版本预训练权重(lit

weixin_29057695的博客 313

caffe 人脸关键点检测_106点人脸关键点检测的PFLD算法实现

梳理之前实习时候做的一个工作。当时数据集是标注公司标的,并不开源。所以训练使用106点人脸关键点数据集是从github找的。提供mobilenetv2、v3预训练模型实现了一个lite版本,我这弱鸡笔记本单核单脸检测可达200FPS提供转换后的ncnn模型cpp推理也写完了,c++弱鸡。抱nihui大佬的大腿直接放地址了 详细信息直接去看代码吧https://github.com/Hsintao/...

weixin_30844577的博客 1225

PFLD人脸关键点检测Python源码与ONNX模型部署实战

人脸关键点检测是计算机视觉中人脸分析的基础技术,广泛应用于人脸识别、表情分析、姿态估计等场景。主流方法包括热图回归与坐标回归,其中坐标回归以其轻量高效的特点,适合在嵌入式设备和实时系统中部署。PFLD算法采用深度可分离卷积和Wing Loss损失设计,在保证精度的同时显著压缩模型体积,成为工程落地的热门选择。围绕PFLD,一套完整的Python实现提供了从数据准备、模型训练到ONNX转换与推理的闭环流程,并集成MTCNN人脸检测器,方便快速验证部署路径。本文拆解该项目的技术要点与常见坑点,帮助开发者理解坐标

weixin_29073241的博客 314

【人脸关键点】——PFLD人脸关键点检测解读

参考:https://zhuanlan.zhihu.com/p/73546427 摘要: 来自天津大学、武汉大学、腾讯AI实验室、美国天普大学,在晓龙845上能做到140fps的人脸关键点检测器。 应用场景: 人脸特效,疲劳检测,美妆, 非官方code: https://github.com/polarisZhao/PFLD-pytorch 1. 挑战 局部变化:表情、局部极端光照(如高亮和阴影)和遮挡会给面部图像带来部分变化/干扰 全局变化:姿态和成像质量是影响人脸图像整体外观的两个主要因素,当

怡宝2号 2323

PFLD人脸关键点检测:从PyTorch到ONNX的轻量部署实践

人脸关键点检测是计算机视觉中的基础任务,广泛应用于人脸对齐、美颜特效和疲劳监测等场景。PFLD作为轻量级检测网络,通过深度可分离卷积与姿态辅助分支的设计,实现了模型体积小、推理速度快且极端姿态下保持高精度的技术优势,尤其适合移动端和嵌入式设备。从工程实践来看,PFLD的ONNX导出过程算子兼容性极佳,能够无缝衔接PyTorch训练与onnxruntime跨平台部署。围绕人脸关键点检测的完整落地链路,文章详细拆解了网络结构、Python推理实现、坐标还原要点,以及ONNX转换与精度验证方法,并提供了针对轮廓点

weixin_42551227的博客 173

PFLD轻量人脸关键点检测:从PyTorch训练到ONNX部署全流程

人脸关键点检测是计算机视觉中的基础任务,广泛用于人脸识别、表情分析、姿态估计等场景。实际工程落地时,模型不仅要精度高,还要在CPU或嵌入式设备上实时推理。PFLD作为一种轻量级人脸关键点检测算法,采用坐标回归替代热力图方案,借助深度可分离卷积和Wing Loss,在极小模型体积下保持高精度,非常适合端侧部署。本文从网络原理出发,讲解如何用PyTorch完成训练与推理,再导出为ONNX格式,借助ONNX Runtime在CPU或移动端运行,并总结了坐标映射、动态维度、算子版本等常见部署问题。无论你是新手还是正

weixin_33708633的博客 219

PFLD论文解析及复现

PFLD论文解析及复现《二》:论文复现 写在前面: PFLD:简单、快速、超高精度人脸特征点检测算法 刚好,这两天解决了前面文章关于Mobilenet-ssd物体检测的一些问题,借用训练机跑Mobilenet-ssd模型的空余时间,就前一段时间发布并自己进行复现的文章《PFLD: A...

Danbinbo的博客 4098

人脸关键点检测必备:PFLD轻量模型源码+权重+ONNX部署全攻略

人脸关键点检测是计算机视觉中人脸分析的基础任务,广泛应用于美颜、表情识别、疲劳监测等场景。在移动端与嵌入式设备上,模型轻量化和高效推理成为落地的关键。PFLD作为一种轻量级人脸关键点检测算法,以百万级参数的主干网络实现了速度与精度的平衡,成为工程实践中绕不开的经典方案。本文从深度学习模型部署的视角切入,梳理PFLD的模型结构、训练到ONNX导出的完整链路,并介绍MTCNN人脸检测与人脸关键点回归的协作流程。内容覆盖源码结构、权重选择、动态轴导出、NCNN迁移等关键技术点,通过数值一致性对比和常见踩坑排查,帮

weixin_29041195的博客 290

单人脸的关键点检测

一个简单的单人人脸关键点检测项目,采用onnx推理。

我的学习笔记分享 1800

PFLD人脸关键点检测:CPU实时运行的轻量模型与ONNX部署实践

人脸关键点检测是计算机视觉中的基础任务,广泛服务于美颜特效、表情分析、活体检测等实时交互场景。这类任务对模型体积和推理延迟要求严苛,尤其在无GPU的边缘设备上,轻量级神经网络的设计显得至关重要。PFLD采用类MobileNet的深度可分离卷积结构,大幅降低参数量与计算量,配合Wing Loss优化亚像素级回归精度,在CPU上即可实现毫秒级关键点定位。经过ONNX模型转换,同一套推理代码可无缝部署到Python、C++及移动端,进一步提升工程复用效率。本文从PFLD网络结构、损失函数设计出发,讲解基于ONNX

weixin_33938733的博客 708

PFLD人脸关键点检测:从PyTorch到ONNX的工程实践与避坑指南

人脸关键点检测是计算机视觉中的基础任务,广泛应用于人脸识别、表情分析、虚拟现实等领域。在实际工程落地中,模型不仅要准确,还要兼顾速度与体积,尤其是在移动端和CPU环境下。PFLD作为一种轻量级人脸关键点算法,通过直接回归关键点坐标并引入姿态辅助分支,在精度与效率之间取得了良好平衡,成为边缘设备部署的常见选择。本文从PFLD的模型结构出发,介绍其主干网络与坐标归一化约定,并详细演示如何通过PyTorch和ONNX Runtime两条链路完成推理实践。同时,针对标签归一化不一致、ONNX导出输出名变化、CPU推

weixin_42662605的博客 298

利用PFLD算法模型和flask搭建的人脸检测项目

最近做的人脸检测项目,模型用PFLD算法,利用flask框架搭建的工程,用post接口请求,接收base64图片数据。环境依赖为: python3.6、redis: 统一缓存、opencv 4.1、flask 、pytorch、gunicorn、meinheld。 1.接口说明: 版本: 1.0 描述:传入base64编码的二进制图片数据,进行人脸关键点检测 请求方式:post 请求链...

lixunxie的专栏 1233

PFLD人脸关键点检测:轻量模型原理与ONNX部署实战

人脸关键点检测是计算机视觉领域的基础任务,其目标是对人脸图像中的眉毛、眼睛、鼻尖、嘴角及面部轮廓等语义点进行坐标回归,广泛应用于人脸对齐、表情分析、疲劳监测和虚拟形象驱动等场景。在移动端与嵌入式设备上,模型需兼顾精度与实时性,轻量级网络由此成为落地关键。PFLD算法采用类似MobileNet的深度可分离卷积结构,并引入辅助姿态分支与Wing Loss,在保证极小模型体积的同时,显著提升大姿态场景下的关键点定位鲁棒性。通过将训练好的PFLD模型转换为ONNX格式,开发者可借助ONNX Runtime在CPU、

weixin_29056145的博客 218

实战指南:人脸关键点检测技术在开源项目中的完整实现与应用

对于技术开发者和项目使用者而言,掌握人脸关键点检测的实战应用远比理解算法理论更为重要。本指南将深入探讨如何在开源项目中实现高效的PFLD与PRNet技术,提供从配置部署到性能调优的完整解决方案,帮助开发者快速构建稳定可靠的人脸分析系统。 ## 技术实现架构与项目集成 ### 项目环境搭建与配置部署 要快速启动人脸关键点检测项目,首先需要搭建完整的开发环境。通过克隆项目仓库获取所有必要的资源和代

gitblog_01009的博客 1008

PFLD:PFLD的实用面部地标检测器的实现,请参阅https

带有tensorflow的PFLD实现 这是对的开放式surce程序引用,如果发现任何错误或不正确的地方,您可以在问题中注意到它并提出请求,很高兴收到您的建议。 感谢@lucknote帮助修复现有的错误。 数据集 WFLW数据集 含有10000面(7500用于训练和2500,用于测试)与98个完全手动注释的地标。 训练和测试图像[ ] [] WFLW人 培训与测试 训练 : $ python data/SetPreparation.py $ train.sh 使用张量板,打开一个新的终端 $ tensorboard --logdir=./checkpoint/tensorboard/ 测试: $ python test.py 结果: 样本图片: 样本gif: 错误修复 增加了用于计算欧拉角预测损失的代码。 修复了内存泄漏错误: 该代码存在一个缺陷,即在训练过程中我会计

PFLD_68points_Pytorch:Pytorch对PFLD实施68个面部地标的实施

PFLD_68Points_Pytorch Pytorch对PFLD实施68个面部地标的实施 数据集 WFLW数据集 是新提出的人脸数据集。 它包含10000张面Kong(用于培训的7500张和用于测试的2500张)以及98个完全手动注释的地标。 1.训练和测试图片[ ] [],解压缩并放入./data/WFLW/raw/ 2.有list_68pt_rect_attr_train.txt和list_68pt_rect_attr_test.txt 。 如果您想自己获取它们,请观看并运行它,然后获取WFLW ,解压缩并放入./data/WFLW/ Mirror68.txt将./data/WFLW/annotations/移动到./data/WFLW/annotations/ $ cd ./data/WFLW $ python3 WFLW_SetPreparation68.py

【项目实战课】基于Pytorch的DANet自然图像降噪实战

欢迎大家来到我们的项目实战课,本期内容是《基于Pytorch的DANet自然图像降噪实战》。所谓项目课,就是以简单的原理回顾+详细的项目实战的模式,针对具体的某一个主题,进行代码级的实战讲解。本次主题GAN在图像质量提升等底层任务中得到了广泛应用,极大地促进了图像降噪,图像去模糊,图像超分辨,图像修复等领域的算法进步,本次我们聚焦于自然图像降噪任务,带领大家实战一个基于GAN的图像降噪框架。本次课...

hacker_long的专栏 1248

PYNQ-Z2 开发板从镜像烧录到 Jupyter 交互全流程指南

本文详细介绍了PYNQ-Z2开发板从镜像烧录到Jupyter交互的全流程指南,包括硬件解析、镜像烧录技巧、设备启动与网络配置、Jupyter Notebook深度使用以及实战案例分享。通过具体步骤和实用技巧,帮助开发者快速上手PYNQ-Z2开发板,实现高效的FPGA开发和智能家居控制应用。

weixin_28736355的博客 441

pytorch转onnx验证_人脸识别部署-人脸关键点(后续1)-验证pfld速度

pfld项目地址:https://github.com/github-luffy/PFLD_68points_Pytorch (感谢作者)algmodelconvert项目:https://gitee.com/mumulin19/algmodelconvert.git 嵌入式平台:hi3559annie推理时间:2ms,提升很大,能到1ms以下就完美了1 修改工程(1)修改model2.py文件,...

weixin_39815879的博客 733

反激变压器反射电压详解

我以前做过隔离式的POE模块,其电路实际就是个反激式开关电源。只不过其输入电压范围比较低,为44V-57V。 电路如下图,就是个flyback。 可以看到,电路中有个钳位电路,用来抑制电压尖峰,就在初级线圈那里。 问题 抑制尖峰通常有2种电路,一种叫RCD钳位,另外一种是用TVS管+二极管钳位。 这两种实际中都有用,今天我不想讨论它们的区别,只想说明一个问题: 为什么不能只用一个二极管搞定?像继电器电路那样?不也能抑制尖峰吗? 答案自然是不行的...

weixin_42005993的博客 2万+

VS2022离线环境下的NuGet包管理:从本地源到依赖项全解析

本文详细解析了在VS2022离线环境下如何高效管理NuGet包,包括搭建本地NuGet源的两种方案(本地文件夹源和私有NuGet服务器)、获取离线包的三大渠道以及依赖项处理的实战技巧。通过自动化脚本和依赖树分析工具,帮助开发者解决离线环境中的依赖项黑洞问题,提升开发效率。

5f4d3s2a1q的博客 1061
上一篇: 【杂谈】有三AI所有重要的公开微信群最新汇总,欢迎加入
下一篇: 【项目实战课】基于Pytorch的SiameseFC通用目标跟踪实战
言有三
言有三 领域专家: 人工智能技术领域 领域专家: 人工智能技术领域
博客等级 码龄15年 3635粉丝 976原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

言有三

三人行必有AI

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值