我們嘗試模塊化并分離管道構(gòu)建塊，這種方法將為我們提供易于管理的代碼，并使測(cè)試更容易編寫：

import os
import cv2


from pipeline.libs.face_detector import FaceDetector
import tests.config as config




class TestFaceDetector:
    def test_face_detector(self):
        prototxt = os.path.join(config.MODELS_FACE_DETECTOR_DIR, "deploy.prototxt.txt")
        model = os.path.join(config.MODELS_FACE_DETECTOR_DIR, "res10_300x300_ssd_iter_140000.caffemodel")
        detector = FaceDetector(prototxt, model)


        test_image = cv2.imread(os.path.join(config.ASSETS_IMAGES_DIR, "friends", "friends_01.jpg"))
        faces = detector.detect([test_image])


        assert len(faces) == 1
        assert len(faces[0])  # Should recognize some faces from friends_01.jpg

使用管道架構(gòu)，可以很容易地CascadeDetectFaces從上一篇文章?lián)Q成更準(zhǔn)確的深度學(xué)習(xí)人臉檢測(cè)器模型。讓我們FaceDetector在新的DetectFaces管道步驟中使用：

from pipeline.pipeline import Pipeline
from pipeline.libs.face_detector import FaceDetector


class DetectFaces(Pipeline):
    def __init__(self, prototxt, model, batch_size=1, confidence=0.5):
        self.detector = FaceDetector(prototxt, model, confidence=confidence)
        self.batch_size = batch_size


        super(DetectFaces, self).__init__()


    def generator(self):
        batch = []
        stop = False
        while self.has_next() and not stop:
            try:
                # Buffer the pipeline stream
                data = next(self.source)
                batch.append(data)
            except StopIteration:
                stop = True


            # Check if there is anything in batch.
            # Process it if the size match batch_size or there is the end of the input stream.
            if len(batch) and (len(batch) == self.batch_size or stop):
                # Prepare images batch
                images = [data["image"] for data in batch]
                # Detect faces on all images at once
                faces = self.detector.detect(images)


                # Extract the faces and attache them to the proper image
                for image_idx, image_faces in faces.items():
                    batch[image_idx]["faces"] = image_faces


                # Yield all the data from buffer
                for data in batch:
                    if self.filter(data):
                        yield self.map(data)


                batch = []

我們對(duì)圖像流（第15–20行）進(jìn)行緩沖，直到到達(dá)batch_size（第24行）為止，然后在所有緩沖的圖像上（第28行）檢測(cè)面部，收集面部坐標(biāo)和置信度（第31–32行），然后重新生成圖像（第35-37行）。

當(dāng)我們使用GPU（圖形處理單元）時(shí)，我們的武器庫(kù)中同時(shí)運(yùn)行著數(shù)千個(gè)處理內(nèi)核，這些內(nèi)核專門用于矩陣運(yùn)算。批量執(zhí)行推理總是更快，一次向深度學(xué)習(xí)模型展示的圖像多于一張一張。

保存面孔和摘要

SaveFaces并SaveSummary產(chǎn)生輸出結(jié)果。在SaveFaces類，使用map功能，遍歷所有檢測(cè)到的面部，從圖像裁剪他們并保存到輸出目錄。

SaveSummary類的任務(wù)是收集有關(guān)已識(shí)別面部的所有元數(shù)據(jù)，并將它們保存為結(jié)構(gòu)良好的JSON文件，該map函數(shù)用于緩沖元數(shù)據(jù)。接下來(lái)，我們使用額外的write功能擴(kuò)展我們的類，我們將需要在管道的末尾觸發(fā)以將JSON文件與摘要一起保存。臉部圖像針對(duì)每一幀存儲(chǔ)在單獨(dú)的目錄中。

視頻輸出

為了觀察流水線的結(jié)果，很高興可以顯示帶有帶注釋的面孔的視頻。關(guān)于AnnotateImage(pipeline/annotate_image.py)/DisplayVideo(pipeline/display_video.py)的全部?jī)?nèi)容。

運(yùn)行中的管道

在process_video_pipeline.py文件中我們可以看到，整個(gè)管道的定義如下：

pipeline = (capture_video |
            detect_faces |
            save_faces |
            annotate_image |
            display_video |
            save_video |
            save_summary)

上面有很多解釋，但是視頻和圖像勝于雄辯。讓我們來(lái)看一下觸發(fā)命令的管道：

python process_video_pipeline.py -i assets/videos/faces.mp4 -p -d -ov faces.avi,M,];

-p將顯示進(jìn)度條，

-d顯示帶有批注面孔的視頻結(jié)果，

-ov faces.avi并將視頻結(jié)果保存到output文件夾。

正如我們?cè)谑纠曨l中看到的那樣，并不是所有臉孔都能被識(shí)別。我們可以降低設(shè)置參數(shù)的深度學(xué)習(xí)模型的置信度confidence 0.2（默認(rèn)值為0.5）。降低置信度閾值會(huì)增加假陽(yáng)性的發(fā)生(在圖像中沒(méi)有臉的位置出現(xiàn)臉)。

DetectFaces類的批量處理大?。?/p>

$ python process_video_pipeline.py -i assets/videos/faces.mp4 -p
--batch-size 1
100%|███████████████████████████| 577/577 [00:11<00:00, 52.26it/s]
[INFO] Saving summary to output/summary.json...


$ python process_video_pipeline.py -i assets/videos/faces.mp4 -p
--batch-size 4
100%|███████████████████████████| 577/577 [00:09<00:00, 64.66it/s]
[INFO] Saving summary to output/summary.json...
$ python process_video_pipeline.py -i assets/videos/faces.mp4 -p
--batch-size 8
100%|███████████████████████████| 577/577 [00:10<00:00, 56.04it/s]
[INFO] Saving summary to output/summary.json...

在我們的硬件上（2.20GHz的Core i7–8750H CPU和NVIDIA RTX 2080 Ti），我門每秒獲得52.26幀的圖像--batch-size 1，但是對(duì)于--batch-size 4我們來(lái)說(shuō)，速度卻提高到了每秒64.66幀。