用PFLD进行人脸96点检测，现在检测出的结果数据如何进行保存(标签-深度学习|关键词-文本文件)

深度学习，用PFLD进行人脸96点检测，现在检测出的结果数据如何进行保存？将坐标数据保存到一个文本文件中？


import argparse

import numpy as np
import cv2

import torch
import torchvision

from models.pfld import PFLDInference, AuxiliaryNet
from mtcnn.detector import detect_faces

device = torch.device("cuda" if torch.cuda.is_available() else "cpu")


def main(args):

    checkpoint = torch.load(args.model_path, map_location=device)
    pfld_backbone = PFLDInference().to(device)
    pfld_backbone.load_state_dict(checkpoint['pfld_backbone'])
    pfld_backbone.eval()
    pfld_backbone = pfld_backbone.to(device)
    transform = torchvision.transforms.Compose(
        [torchvision.transforms.ToTensor()])



    img = cv2.imread(r"C:\Users\lenovo\Desktop\xjpic.jpg")
    height, width = img.shape[:2]
    bounding_boxes, landmarks = detect_faces(img)
    for box in bounding_boxes:
        x1, y1, x2, y2 = (box[:4] + 0.5).astype(np.int32)

        w = x2 - x1 + 1
        h = y2 - y1 + 1
        cx = x1 + w // 2
        cy = y1 + h // 2

        size = int(max([w, h]) * 1.1)
        x1 = cx - size // 2
        x2 = x1 + size
        y1 = cy - size // 2
        y2 = y1 + size

        x1 = max(0, x1)
        y1 = max(0, y1)
        x2 = min(width, x2)
        y2 = min(height, y2)

        edx1 = max(0, -x1)
        edy1 = max(0, -y1)
        edx2 = max(0, x2 - width)
        edy2 = max(0, y2 - height)

        cropped = img[y1:y2, x1:x2]
        if (edx1 > 0 or edy1 > 0 or edx2 > 0 or edy2 > 0):
            cropped = cv2.copyMakeBorder(cropped, edy1, edy2, edx1, edx2,
                                             cv2.BORDER_CONSTANT, 0)

        input = cv2.resize(cropped, (112, 112))
        input = transform(input).unsqueeze(0).to(device)
        _, landmarks = pfld_backbone(input)
        pre_landmark = landmarks[0]
        pre_landmark = pre_landmark.cpu().detach().numpy().reshape(
            -1, 2) * [size, size] - [edx1, edy1]

        for (x, y) in pre_landmark.astype(np.int32):
            cv2.circle(img, (x1 + x, y1 + y), 1, (0, 0, 255))

        cv2.imshow('face_landmark_96', img)
        if cv2.waitKey(10) == 27:
            break


def parse_args():
    parser = argparse.ArgumentParser(description='Testing')
    parser.add_argument('--model_path',
                        default="./checkpoint/snapshot/checkpoint.pth.tar",
                        type=str)
    args = parser.parse_args()
    return args


if __name__ == "__main__":
    args = parse_args()
    main(args)
不知道你这个问题是否已经解决, 如果还没有解决的话:
  • 这篇博客: 人脸关键点检测之PFLD中的 4. 测试结果 部分也许能够解决你的问题, 你可以仔细阅读以下内容或者直接跳转源博客中阅读:

    检测精度对比如下面的表所示
    在这里插入图片描述
    下面来看一下算法处理速度和模型大小，图中C代表i7-6700K CPU,G代表1080 Ti GPU，G*代表Titan X GPU，A代表移动平台Qualcomm ARM 845处理器。
    在这里插入图片描述
    其中PFLD 1X是标准网络，PFLD 0.25X是MobileNet blocks width 参数设为0.25的压缩网络，PFLD 1X+是在WFLW数据集上预训练的网络。

    下图是该算法在AFLW数据集上与其他算法的精度比较：
    在这里插入图片描述
    消融实验方面作者仅仅分析了损失函数带来的影响，结果如下表所示。
    在这里插入图片描述

  • 以下回答来自chatgpt:

    针对该问题，可以使用Python编写代码将PFLD人脸96点检测的结果保存到文本文件中。具体步骤如下：

    1. 确定需要保存的数据格式：检测出来的结果包括人脸关键点的坐标，因此可以使用CSV数据格式保存，每行表示一个人脸的关键点坐标数据。

    2. 在PFLD人脸96点检测模型中添加保存数据的代码：在模型的代码中添加保存数据的部分代码，可以使用Python的CSV模块来实现数据保存。

    3. 运行模型并查看保存的数据文件：运行模型并检查保存的数据文件，确保数据保存成功。

    具体实现代码如下：

    import csv

# PFLD人脸96点检测模型代码
def detect_landmarks(image_path):
    # 检测人脸关键点坐标
    landmarks = [...]

    # 保存数据
    with open('landmarks.csv', mode='w', newline='') as file:
        writer = csv.writer(file)
        for landmark in landmarks:
            writer.writerow(landmark)

    在上述代码中，使用了Python的CSV模块中的writer.writerrow()函数来写入每行数据，每行数据是一个包含多个人脸关键点坐标的列表。其中，newline=''参数是为了避免在Windows系统中出现多余的空行。

    最后，检查保存的数据文件'landmarks.csv'是否包含了所需的数据格式。如有需要，还可以使用Excel等工具来查看和处理数据。


如果你已经解决了该问题, 非常希望你能够分享一下解决方案, 写成博客, 将相关链接放在评论区, 以帮助更多的人 ^-^