2021年中国高校大数据挑战赛B题戴口罩检测代码

题目：
新冠疫情的爆发对人类生命安全及全球经济发展造成了重大影响。虽然现在 国内疫情基本得到有效遏制，但日常防控仍不可松懈。戴口罩是预防新冠肺炎最 便捷、最有效的措施和方法。人脸佩戴口罩的自动化识别可以有效检测人群佩戴 口罩情况，是抑制疾病在人流量大的公共场合快速传播和保护身体健康的重要技 术手段。

思路：没得啥说的，就是个检测戴口罩不嘛，我做两个案例代码出来。
第一个代码我用飞浆深度学习框架：（注意：仅供参考，记得你要在我基础上修改然后多吹点牛逼，才拿去比赛哈）,等会我再出一个代码.

一、定义待预测数据

# 待预测图片
test_img_path = ["./img.png"]

import matplotlib.pyplot as plt
import matplotlib.image as mpimg

img = mpimg.imread(test_img_path[0])

# 展示待预测图片
plt.figure(figsize=(10,10))
plt.imshow(img)
plt.axis('off')
plt.show()

返回：

若是待预测图片存放在一个文件中，如左侧文件夹所示的test.txt。每一行是待预测图片的存放路径。
代码：

with open('mask.txt', 'r') as f:
    try:
        test_img_path=[]
        for line in f:
            test_img_path.append(line.strip())
    except:
        print('图片加载失败')
print(test_img_path)

返回：

二、加载预训练模型

PaddleHub口罩检测提供了两种预训练模型，pyramidbox_lite_mobile_mask和pyramidbox_lite_server_mask。二者均是基于2018年百度发表于计算机视觉顶级会议ECCV 2018的论文PyramidBox而研发的轻量级模型，模型基于主干网络FaceBoxes，对于光照、口罩遮挡、表情变化、尺度变化等常见问题具有很强的鲁棒性。不同点在于，pyramidbox_lite_mobile_mask是针对于移动端优化过的模型，适合部署于移动端或者边缘检测等算力受限的设备上。
代码：

import paddlehub as hub

module = hub.Module(name="pyramidbox_lite_mobile_mask")
# module = hub.Module(name="pyramidbox_lite_server_mask")

三、预测

PaddleHub对于支持一键预测的module，可以调用module的相应预测API，完成预测功能。

# 口罩检测预测
visualization=True #将预测结果保存图片可视化
output_dir='detection_result' #预测结果图片保存在当前运行路径下detection_result文件夹下
results = module.face_detection(images=imgs, use_multi_scale=True, shrink=0.6, visualization=True, output_dir='detection_result/test.jpg')
for result in results:
    print(result)

# 预测结果展示
import matplotlib.image as im
import matplotlib.pyplot as plt
import os

# 需要读取的路径
path_name = r'./detection_result'

for item in os.listdir(path=path_name):
    img = im.imread(os.path.join(path_name, item))
    plt.imshow(img)
    plt.show()

返回如下：

其中，label有’MASK’和’NO MASK’两种选择：'MASK’表示戴了口罩，'NO MASK表示没有佩戴口罩。‘left’/‘rigth’/‘top’/'bottom’表示口罩在图片当中的位置。'confidence’表示预测为佩戴口罩’MASK’或者不佩戴口罩’NO MASK’的概率大小。同时，作为一项完善的开源工作，除了本地推断以外，PaddleHub还支持将该预训练模型部署到服务器或移动设备中。

四.完整源码

需要文件也可以左侧联系我，当然我也是百度随便找的。

# coding=gbk
"""
作者：川川
@时间  : 2021/8/30 0:14
群：970353786
"""
# 待预测图片
# test_img_path = ["./img.png"]

import matplotlib.pyplot as plt
import matplotlib.image as mpimg

# img = mpimg.imread(test_img_path[0])

# 展示待预测图片
# plt.figure(figsize=(10,10))
# plt.imshow(img)
# plt.axis('off')
# plt.show()

with open('mask.txt', 'r') as f:
    try:
        test_img_path=[]
        for line in f:
            test_img_path.append(line.strip())
    except:
        print('图片加载失败')
print(test_img_path)
# import os

import cv2

# imgs =[cv2.imread(image_path) for image_path in test_img_path]
imgs=[cv2.imread(test_img_path[0])]
# for i in imgs:
#加载模块
import paddlehub as hub

module = hub.Module(name="pyramidbox_lite_mobile_mask")
# module = hub.Module(name="pyramidbox_lite_server_mask")
# 口罩检测预测
visualization=True #将预测结果保存图片可视化
output_dir='detection_result' #预测结果图片保存在当前运行路径下detection_result文件夹下
results = module.face_detection(images=imgs, use_multi_scale=True, shrink=0.6, visualization=True, output_dir='detection_result')
for result in results:
    print(result)

# 预测结果展示
import matplotlib.image as im
import matplotlib.pyplot as plt
import os

# 需要读取的路径
path_name = r'./detection_result'

for item in os.listdir(path=path_name):
    img = im.imread(os.path.join(path_name, item))
    plt.imshow(img)
    plt.show()

如果你想放在服务器上：
执行如下命令启动模型：

hub serving start -m pyramidbox_lite_server_mask -p 8866

代码为：

# coding: utf8
import requests
import json
import base64
import os

# 指定要检测的图片并生成列表[("image", img_1), ("image", img_2), ... ]
file_list = ["test.jpg"]
files = [("image", (open(item, "rb"))) for item in file_list]

# 指定检测方法为pyramidbox_lite_server_mask并发送post请求
url = "http://127.0.0.1:8866/predict/image/pyramidbox_lite_server_mask"
r = requests.post(url=url, files=files, data={"visual_result": "True"})

results = eval(r.json()["results"])

# 保存检测生成的图片到output文件夹，打印模型输出结果
if not os.path.exists("output"):
    os.mkdir("output")
for item in results:
    with open(os.path.join("output", item["path"]), "wb") as fp:
        fp.write(base64.b64decode(item["base64"].split(',')[-1]))
        item.pop("base64")
print(json.dumps(results, indent=4, ensure_ascii=False))