【深度学习目标检测】十八、基于深度学习的人脸检测系统-含GUI和源码（python，yolov8）

人脸检测是计算机视觉中的一个重要方向，也是一个和人们生活息息相关的研究方向，因为人脸是人最重要的外貌特征。人脸检测技术的重要性主要体现在以下几个方面：

人脸识别与安全：人脸检测是人脸识别系统的一个关键部分，是系统实现的前提和基础。在安防监控中，通过人脸检测可以抓拍人脸并将结果上传，与嫌疑犯人脸进行比对，协助公安人员的执法工作。此外，企业还在为考勤系统实施人脸识别技术，以防止时间欺诈并提高员工进出办公室的安全性。
人机交互与自动化：人脸检测也可以用于人机交互和图像数据库管理，如数码相机使用人脸检测来自动对焦，以及智能业务系统及平台的研发等。
零售与支付：在零售行业，人脸检测被用来加速盗窃和欺诈调查，以及分析来自众多来源的镜头以识别感兴趣的个人。此外，预计未来几年零售领域将发生巨大变化，全球将推广刷脸支付，这也离不开人脸检测技术的应用。

总之，人脸检测技术在许多领域都有广泛的应用前景，它能够提高人们生活的便利性、安全性和自动化程度。随着技术的不断进步，人脸检测将在更多领域发挥重要作用。

本文介绍了基于深度学习yolov8的洋葱检测系统，包括训练过程和数据准备过程，同时提供了推理的代码和GUI。对准备计算机视觉相关的毕业设计的同学有着一定的帮助。

检测结果如下图：

一、安装YoloV8

yolov8官方文档：主页 - Ultralytics YOLOv8 文档

安装部分参考：官方安装教程

1、安装pytorch

根据本机是否有GPU，安装适合自己的pytorch，如果需要训练自己的模型，建议使用GPU版本。

①GPU版本的pytorch安装

对于GPU用户，安装GPU版本的pytorch，首先在cmd命令行输入nvidia-smi，查看本机的cuda版本，如下图，我的cuda版本是12.4（如果版本过低，建议升级nvidia驱动）：

打开pytorch官网，选择合适的版本安装pytorch，如下图，建议使用conda安装防止cuda版本问题出现报错：

②CPU版本pytorch安装

打开pytorch官网，选择CPU版本安装pytorch，如下图：

2、安装yolov8

在命令行使用如下命令安装：

pip install ultralytics

二、数据集准备

WIDER FACE数据集是一个用于面部检测的大规模人脸数据集，由香港中文大学的研究团队创建。该数据集的特点和组成如下：

规模与内容：该数据集包含了32,203张图片和393,703个人脸实例，涵盖了广泛的场景、姿态和光照条件。
标注信息：每个实例都有精确的边界框标注和五个面部特征点标注，这为研究者提供了丰富的信息来进行面部检测和相关任务的研究。
挑战性：WIDER FACE数据集拥有一个挑战性高的评估基准，旨在评估面部检测算法在各种实际场景中的性能。
数据划分：该数据集以60个事件类别（如交通、节日、游行等）为基础进行划分，每个事件类别中随机选择40%的数据作为训练集，10%作为验证集，50%作为测试集。这种划分方式使得数据集更具实际应用价值。
难度级别：WIDER FACE数据集为每个子集（训练集、验证集和测试集）都提供了三个级别的检测难度：Easy、Medium和Hard。这有助于研究者了解他们的算法在不同难度级别上的表现。

总的来说，WIDER FACE数据集是一个丰富、多样且具有挑战性的面部检测数据集，为面部检测和相关任务的研究提供了有力的支持。

本文使用的数据集来自widerface数据集，包含12876张训练图片，3226个测试图片，部分图片如下所示：

为了使用yolov8进行训练，需要将数据集转为yolo格式，本文提供转换好的数据集连接：widerface-yolov8数据集

三、模型配置及训练

1、数据集配置文件

创建数据集配置文件widerface.yaml，内容如下（将path路径替换为自己的数据集路径）：

# Ultralytics YOLO 🚀, AGPL-3.0 license
# COCO 2017 dataset http://cocodataset.org by Microsoft
# Example usage: yolo train data=coco.yaml
# parent
# ├── ultralytics
# └── datasets
#     └── coco  ← downloads here (20.1 GB)
 
 
# Train/val/test sets as 1) dir: path/to/imgs, 2) file: path/to/imgs.txt, or 3) list: [path/to/imgs1, path/to/imgs2, ..]
path: D:\DeepLearning\datasets\csdn\widerface_yolo8  # 替换为自己的数据集路径
train: images/train 
val: images/val 
test: images/val  
 
# Classes
names:
  # 0: normal
  0: face

2、训练模型

使用如下命令训练模型，数据配置文件路径更改为自己的路径，model根据自己的需要使用yolov8n/s/l/x版本，其他参数根据自己的需要进行设置：

yolo detect train project=widerface name=train exist_ok data=widerface/widerface.yaml model=yolov8n.yaml epochs=100 imgsz=416

3、验证模型

使用如下命令验证模型，相关路径根据需要修改：

yolo detect val imgsz=640 model=widerface/train/weights/best.pt data=widerface/widerface.yaml

验证的精度如下：

# Ultralytics YOLOv8.1.10 🚀 Python-3.9.18 torch-2.2.0 CUDA:0 (NVIDIA GeForce RTX 3060, 12288MiB)
# YOLOv8n summary (fused): 168 layers, 3005843 parameters, 0 gradients, 8.1 GFLOPs
# val: Scanning D:\DeepLearning\datasets\csdn\thsant-wgisd-ab223e5\wgisd_yolov8\labels\test.cache... 58 images, 0 backgrounds, 0 corrupt: 100%|██████████| 58/58 [00:00<?, ?it/ 
#                  Class     Images  Instances      Box(P          R      mAP50  mAP50-95): 100%|██████████| 4/4 [00:06<00:00,  1.70s/it]
#                    all         58        850      0.772      0.714        0.8      0.445
# Speed: 2.7ms preprocess, 8.4ms inference, 0.0ms loss, 8.4ms postprocess per image

四、推理

训练好了模型，可以使用如下代码实现推理，权重路径修改为自己的路径：

from PIL import Image
from ultralytics import YOLO
 
# 加载预训练的YOLOv8n模型
model = YOLO('best.pt')
 
image_path = 'test.jpg'
results = model(image_path)  # 结果列表
 
# 展示结果
for r in results:
    im_array = r.plot()  # 绘制包含预测结果的BGR numpy数组
    im = Image.fromarray(im_array[..., ::-1])  # RGB PIL图像
    im.show()  # 显示图像
    im.save('results.jpg')  # 保存图像