Panduan ini menunjukkan alat pengesan persamaan wajah menggunakan facenet-pytorch. Dengan memanfaatkan benam muka berkualiti tinggi model FaceNet, alat ini membandingkan imej sasaran dengan berbilang calon untuk mengenal pasti padanan terdekat. Mari kita terokai pelaksanaannya.
Alat dan Perpustakaan Penting
- PyTorch: Asas untuk operasi pembelajaran mendalam.
- FaceNet-PyTorch: Menyediakan model pra-latihan untuk pengesanan muka dan penjanaan benam.
- Bantal (PIL): Mengendalikan tugas manipulasi imej.
- Matplotlib: Digunakan untuk visualisasi hasil.
Dua model teras digunakan:
- MTCNN: Mengesan wajah dalam imej.
- InceptionResnetV1: Mengekstrak benam muka.
Permulaan
import torch from facenet_pytorch import MTCNN, InceptionResnetV1 from PIL import Image import requests from io import BytesIO import matplotlib.pyplot as plt # Initialize face detection (MTCNN) and embedding extraction (InceptionResnetV1) modules. mtcnn = MTCNN(image_size=160, keep_all=True) resnet = InceptionResnetV1(pretrained='vggface2').eval()
Takrifan Fungsi
1. Pemuatan Imej dan Pengekstrakan Benam:
Fungsi ini mendapatkan semula imej daripada URL, mengesan wajah dan mengira pembenaman.
def get_embedding_and_face(image_path):
"""Loads an image, detects faces, and returns the embedding and detected face."""
try:
response = requests.get(image_path)
response.raise_for_status()
content_type = response.headers.get('Content-Type')
if 'image' not in content_type:
raise ValueError(f"Invalid image URL: {content_type}")
image = Image.open(BytesIO(response.content)).convert("RGB")
except Exception as e:
print(f"Image loading error from {image_path}: {e}")
return None, None
faces, probs = mtcnn(image, return_prob=True)
if faces is None or len(faces) == 0:
return None, None
embedding = resnet(faces[0].unsqueeze(0))
return embedding, faces[0]
2. Tensor kepada Penukaran Imej:
Menyediakan tensor untuk paparan.
def tensor_to_image(tensor):
"""Converts a normalized tensor to a displayable image array."""
image = tensor.permute(1, 2, 0).detach().numpy()
image = (image - image.min()) / (image.max() - image.min())
image = (image * 255).astype('uint8')
return image
3. Pengenalan Wajah Paling Serupa:
Membandingkan pembenaman imej sasaran dengan calon.
def find_most_similar(target_image_path, candidate_image_paths):
"""Identifies the most similar image to the target from a list of candidates."""
target_emb, target_face = get_embedding_and_face(target_image_path)
if target_emb is None:
raise ValueError("No face detected in the target image.")
highest_similarity = float('-inf')
most_similar_face = None
most_similar_image_path = None
candidate_faces = []
similarities = []
for candidate_image_path in candidate_image_paths:
candidate_emb, candidate_face = get_embedding_and_face(candidate_image_path)
if candidate_emb is None:
similarities.append(None)
candidate_faces.append(None)
continue
similarity = torch.nn.functional.cosine_similarity(target_emb, candidate_emb).item()
similarities.append(similarity)
candidate_faces.append(candidate_face)
if similarity > highest_similarity:
highest_similarity = similarity
most_similar_face = candidate_face
most_similar_image_path = candidate_image_path
# Visualization
plt.figure(figsize=(12, 8))
# Display target image
plt.subplot(2, len(candidate_image_paths) + 1, 1)
plt.imshow(tensor_to_image(target_face))
plt.title("Target Image")
plt.axis("off")
# Display most similar image
if most_similar_face is not None:
plt.subplot(2, len(candidate_image_paths) + 1, 2)
plt.imshow(tensor_to_image(most_similar_face))
plt.title("Most Similar")
plt.axis("off")
# Display all candidates with similarity scores
for idx, (candidate_face, similarity) in enumerate(zip(candidate_faces, similarities)):
plt.subplot(2, len(candidate_image_paths) + 1, idx + len(candidate_image_paths) + 2)
if candidate_face is not None:
plt.imshow(tensor_to_image(candidate_face))
plt.title(f"Score: {similarity * 100:.2f}%")
else:
plt.title("No Face Detected")
plt.axis("off")
plt.tight_layout()
plt.show()
if most_similar_image_path is None:
raise ValueError("No faces detected in candidate images.")
return most_similar_image_path, highest_similarity
Penggunaan
URL imej untuk perbandingan:
image_url_target = 'https://d1mnxluw9mpf9w.cloudfront.net/media/7588/4x3/1200.jpg'
candidate_image_urls = [
'https://beyondthesinglestory.wordpress.com/wp-content/uploads/2021/04/elon_musk_royal_society_crop1.jpg',
'https://cdn.britannica.com/56/199056-050-CCC44482/Jeff-Bezos-2017.jpg',
'https://cdn.britannica.com/45/188745-050-7B822E21/Richard-Branson-2003.jpg'
]
most_similar_image, similarity_score = find_most_similar(image_url_target, candidate_image_urls)
print(f"Most similar image: {most_similar_image}")
print(f"Similarity score: {similarity_score * 100:.2f}%")
Keputusan
Kesimpulan
Contoh ini mempamerkan keupayaan facenet-pytorch untuk pengecaman muka. Gabungan pengesanan muka dan penjanaan benam membolehkan penciptaan alatan untuk pelbagai aplikasi, seperti pengesahan identiti atau penapisan kandungan.
Atas ialah kandungan terperinci Pengecaman Wajah dengan Python dan FaceNet. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!
Alat AI Hot
Undress AI Tool
Gambar buka pakaian secara percuma
Undresser.AI Undress
Apl berkuasa AI untuk mencipta foto bogel yang realistik
AI Clothes Remover
Alat AI dalam talian untuk mengeluarkan pakaian daripada foto.
Clothoff.io
Penyingkiran pakaian AI
Video Face Swap
Tukar muka dalam mana-mana video dengan mudah menggunakan alat tukar muka AI percuma kami!
Artikel Panas
Alat panas
Notepad++7.3.1
Editor kod yang mudah digunakan dan percuma
SublimeText3 versi Cina
Versi Cina, sangat mudah digunakan
Hantar Studio 13.0.1
Persekitaran pembangunan bersepadu PHP yang berkuasa
Dreamweaver CS6
Alat pembangunan web visual
SublimeText3 versi Mac
Perisian penyuntingan kod peringkat Tuhan (SublimeText3)
Topik panas
Bagaimanakah rangka kerja Python atau PyTest memudahkan ujian automatik?
Jun 19, 2025 am 01:10 AM
Python's Unittest and Pytest adalah dua kerangka ujian yang digunakan secara meluas yang memudahkan penulisan, penganjuran dan menjalankan ujian automatik. 1. Kedua -duanya menyokong penemuan automatik kes ujian dan menyediakan struktur ujian yang jelas: Unittest mentakrifkan ujian dengan mewarisi kelas ujian dan bermula dengan ujian \ _; Pytest lebih ringkas, hanya memerlukan fungsi bermula dengan ujian \ _. 2. Mereka semua mempunyai sokongan dakwaan terbina dalam: Unittest menyediakan kaedah AssertEqual, AssertTrue dan lain-lain, manakala PYTest menggunakan pernyataan menegaskan yang dipertingkatkan untuk memaparkan butiran kegagalan secara automatik. 3. Semua mempunyai mekanisme untuk mengendalikan penyediaan ujian dan pembersihan: un
Bagaimanakah Python boleh digunakan untuk analisis data dan manipulasi dengan perpustakaan seperti numpy dan panda?
Jun 19, 2025 am 01:04 AM
Pythonisidealfordataanalysisysisduetonumpyandpandas.1) numpyexcelsatnumericalcomputationswithfast, multi-dimensiArarraySandvectorizedoperationsLikenp.sqrt ()
Apakah teknik pengaturcaraan dinamik, dan bagaimana saya menggunakannya dalam Python?
Jun 20, 2025 am 12:57 AM
Pengaturcaraan Dinamik (DP) mengoptimumkan proses penyelesaian dengan memecahkan masalah kompleks ke dalam subproblem yang lebih mudah dan menyimpan hasilnya untuk mengelakkan pengiraan berulang. Terdapat dua kaedah utama: 1. Top-down (Hafalan): Recursif menguraikan masalah dan menggunakan cache untuk menyimpan hasil pertengahan; 2. Bottom-Up (Jadual): Bangun secara beransur-ansur dari keadaan asas. Sesuai untuk senario di mana nilai maksimum/minimum, penyelesaian optimum atau subproblem yang bertindih diperlukan, seperti urutan Fibonacci, masalah backpacking, dan lain -lain.
Bagaimana anda boleh melaksanakan iterators tersuai di Python menggunakan __iter__ dan __Next__?
Jun 19, 2025 am 01:12 AM
Untuk melaksanakan iterator tersuai, anda perlu menentukan kaedah __iter__ dan __Next__ di dalam kelas. ① Kaedah __iter__ mengembalikan objek iterator itu sendiri, biasanya diri sendiri, bersesuaian dengan persekitaran berulang seperti untuk gelung; ② Kaedah __Next__ mengawal nilai setiap lelaran, mengembalikan elemen seterusnya dalam urutan, dan apabila tidak ada lagi item, pengecualian hentian harus dibuang; ③ Status mesti dikesan dengan betul dan keadaan penamatan mesti ditetapkan untuk mengelakkan gelung tak terhingga; ④ Logik kompleks seperti penapisan talian fail, dan perhatikan pembersihan sumber dan pengurusan memori; ⑤ Untuk logik mudah, anda boleh mempertimbangkan menggunakan hasil fungsi penjana sebaliknya, tetapi anda perlu memilih kaedah yang sesuai berdasarkan senario tertentu.
Apakah trend yang muncul atau arahan masa depan dalam bahasa pengaturcaraan Python dan ekosistemnya?
Jun 19, 2025 am 01:09 AM
Trend masa depan dalam Python termasuk pengoptimuman prestasi, jenis yang lebih kuat, peningkatan runtime alternatif, dan pertumbuhan berterusan bidang AI/ML. Pertama, Cpython terus mengoptimumkan, meningkatkan prestasi melalui masa permulaan yang lebih cepat, pengoptimuman panggilan fungsi dan operasi integer yang dicadangkan; Kedua, jenis petikan sangat terintegrasi ke dalam bahasa dan alat untuk meningkatkan pengalaman keselamatan dan pembangunan kod; Ketiga, runtime alternatif seperti Pyscript dan Nuitka menyediakan fungsi baru dan kelebihan prestasi; Akhirnya, bidang AI dan Sains Data terus berkembang, dan perpustakaan yang muncul mempromosikan pembangunan dan integrasi yang lebih cekap. Trend ini menunjukkan bahawa Python sentiasa menyesuaikan diri dengan perubahan teknologi dan mengekalkan kedudukan utama.
Bagaimana saya melakukan pengaturcaraan rangkaian di python menggunakan soket?
Jun 20, 2025 am 12:56 AM
Modul soket Python adalah asas pengaturcaraan rangkaian, menyediakan fungsi komunikasi rangkaian peringkat rendah, sesuai untuk membina aplikasi klien dan pelayan. Untuk menyediakan pelayan TCP asas, anda perlu menggunakan socket.socket () untuk membuat objek, mengikat alamat dan port, panggilan. Listen () untuk mendengar sambungan, dan menerima sambungan klien melalui .accept (). Untuk membina klien TCP, anda perlu membuat objek soket dan panggilan .Connect () untuk menyambung ke pelayan, kemudian gunakan .sendall () untuk menghantar data dan .recv () untuk menerima respons. Untuk mengendalikan pelbagai pelanggan, anda boleh menggunakan 1. Threads: Mulakan benang baru setiap kali anda menyambung; 2. Asynchronous I/O: Sebagai contoh, Perpustakaan Asyncio dapat mencapai komunikasi yang tidak menyekat. Perkara yang perlu diperhatikan
Polimorfisme dalam kelas python
Jul 05, 2025 am 02:58 AM
Polimorfisme adalah konsep teras dalam pengaturcaraan berorientasikan objek Python, merujuk kepada "satu antara muka, pelbagai pelaksanaan", yang membolehkan pemprosesan bersatu pelbagai jenis objek. 1. Polimorfisme dilaksanakan melalui penulisan semula kaedah. Subkelas boleh mentakrifkan semula kaedah kelas induk. Sebagai contoh, kaedah bercakap () kelas haiwan mempunyai pelaksanaan yang berbeza dalam subkelas anjing dan kucing. 2. Penggunaan praktikal polimorfisme termasuk memudahkan struktur kod dan meningkatkan skalabilitas, seperti memanggil kaedah cabutan () secara seragam dalam program lukisan grafik, atau mengendalikan tingkah laku umum watak -watak yang berbeza dalam pembangunan permainan. 3. Polimorfisme pelaksanaan Python perlu memenuhi: Kelas induk mentakrifkan kaedah, dan kelas kanak -kanak mengatasi kaedah, tetapi tidak memerlukan warisan kelas induk yang sama. Selagi objek melaksanakan kaedah yang sama, ini dipanggil "jenis itik". 4. Perkara yang perlu diperhatikan termasuk penyelenggaraan
Bagaimana saya mengiris senarai dalam python?
Jun 20, 2025 am 12:51 AM
Jawapan teras kepada pengirim senarai Python adalah menguasai sintaks [Start: End: Step] dan memahami kelakuannya. 1. Format asas pengirim senarai adalah senarai [Mula: akhir: langkah], di mana permulaan adalah indeks permulaan (termasuk), akhir adalah indeks akhir (tidak termasuk), dan langkah adalah saiz langkah; 2. Omit Mula secara lalai bermula dari 0, endek akhir secara lalai hingga akhir, omite langkah secara lalai kepada 1; 3. Gunakan my_list [: n] untuk mendapatkan item n pertama, dan gunakan my_list [-n:] untuk mendapatkan item n yang terakhir; 4. Gunakan langkah untuk melangkau unsur -unsur, seperti my_list [:: 2] untuk mendapatkan angka, dan nilai langkah negatif dapat membalikkan senarai; 5. Kesalahpahaman biasa termasuk indeks akhir tidak
