FaceRank检测人脸颜值、亚欧、性别的模型（案例） 作者：马育民 • 2020-04-20 16:44 • 阅读：10537 # 介绍 FaceRank是一个基于TensorFlow与Keras框架的CNN人脸打分开源项目，核心功能是通过深度学习模型量化评估人脸吸引力，输出颜值分数，适合深度学习初学者实践图像特征提取与模型训练 ### 核心定位 面向深度学习入门者的人脸吸引力量化工具，通过CNN自动提取人脸特征并打分，提供完整的训练与部署流程，帮助开发者熟悉TensorFlow/Keras在图像任务中的应用。 ### 技术栈 - **框架**：TensorFlow（核心）+ Keras（简化模型搭建），支持两种版本实现。 - **核心模型**：CNN，含卷积层、池化层、激活函数（如ReLU）、全连接层，用于自动学习人脸边缘、纹理、形状等特征。 - **依赖库**：face_recognition（人脸检测与裁剪）、OpenCV（图像处理）、NumPy（数据计算）等。 ### 模型结构 典型流程为“输入（128×128像素人脸图）→ 卷积层（特征提取）→ 池化层（降维）→ 全连接层（特征映射）→ 输出（0-10分颜值分数）”。 ### 部署与使用流程 1. **环境搭建**：安装Python、TensorFlow/Keras、face_recognition等依赖，建议用Docker解决face_recognition安装问题。 2. **数据预处理** - 用find_faces_in_picture.py从原始图片中检测并裁剪人脸，保存至face_image文件夹。 - 用resize_image.py将人脸图统一缩放为128×128像素，适配模型输入。 3. **模型训练**：运行train_model.py，定义CNN结构、设置损失函数（如MSE）与优化器（如Adam），训练后保存模型至model目录。 4. **推理测试**：运行run_model.py，加载训练好的模型，输入人脸图输出颜值分数。 5. **模型获取**：可自行训练，也可从第三方平台下载预训练模型。 ### 应用场景 - 深度学习教学：作为CNN图像任务的实战案例，覆盖数据预处理、模型搭建、训练与部署全流程。 - 趣味应用：社交平台颜值排序、相亲APP匹配辅助、短视频人脸吸引力筛选等。 - 二次开发：可扩展至年龄/性别预测、表情识别等衍生任务。 ### 局限 - **数据偏差**：默认数据集多针对特定人群（如年轻女性），泛化性不足，需自定义数据集优化。 - **伦理风险**：颜值打分易引发歧视，需遵守隐私保护与公平性原则，避免用于招聘、婚恋等敏感场景。 - **精度限制**：开源模型为入门级，打分结果受训练数据质量影响大，需调参或迁移学习提升精度。 ### 项目资源与扩展 1. **获取渠道**：GitHub（fendouai/FaceRank）、Gitee（国内镜像），含完整代码、中文说明与教程。 2. **扩展方向** - 迁移学习：用VGG16、ResNet等预训练模型提升特征提取能力。 - 数据增强：通过旋转、翻转、亮度调整扩充数据集，减少过拟合。 - 部署优化：用TensorFlow Lite适配移动端，或用FastAPI封装为API服务。 ### 难点 在 **多输出** 需要做额外处理： - 颜值检测是线性回归，loss是`mse` - 亚洲人或欧洲人识别是逻辑回归，loss是`sigmoid` - 性别检测是逻辑回归，loss是`sigmoid` ### 训练结果： - 颜值误差 0.3 - 亚洲/欧洲检测准确率 0.99 - 性别检测准确率 0.98 # 数据集 使用 华南理工大学人机智能交互实验室 的数据集 ### 介绍 数据集共有5500张正面，包括2000个亚洲女性（AF），2000个亚洲男性（AM），750个白人女性（CF）和750个白人男性（CM) 这些正面具有不同的属性（男性/女性，亚洲人/白种人，年龄）和不同的标签（面部标志，5个等级的美容分数，美容分数分布） 详细介绍见链接： https://github.com/HCIILAB/SCUT-FBP5500-Database-Release ### 标签 所有图像都由60名志愿者的美容评分标记为[1、5]，并且在每个图像的重要面部组件上还定位了86个面部标志。 **缺点：** 由于审美不同，我对很多人脸的评分不认同，训练好模型后，预测知名网红、明星时，颜值分数不高，反而 **凤姐的颜值颇高** 所以 **测试自己颜值** 时参考就好，不必纠结 ### 下载链接 https://pan.baidu.com/s/1Ff2W2VLJ1ZbWSeV5JbF0Iw（PASSWORD：if7p ） ### 目录说明： [](https://www.malaoshi.top/upload/0/0/1EF5NTsLAeNv.png) # 技术 - TensorFlow2.0 - keras - matplotlib - numpy # 代码 ### 导包 ``` import os,glob os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2' import numpy as np import tensorflow as tf from tensorflow import keras import matplotlib.pyplot as plt from PIL import Image import IPython.display as display import xml.etree.ElementTree as ET print(tf.__version__) print(tf.test.is_gpu_available()) ``` ### 常量 ``` img_path="/kaggle/input/facial-beauty-prediction/SCUT-FBP5500_v2/Images/" img_size=224 batch_size=8 AUTOTUNE=tf.data.experimental.AUTOTUNE ac_map={"A":0,"C":1} fm_map={"F":0,"M":1} ``` ### 定义读取文本的函数 ``` def read_txt(path): with open(path,"rt") as f: lines=f.readlines() # print(lines) names=[] labels=[] acs=[] fms=[] for item in lines : item=item.strip() name,label=item.split(" ") ac=ac_map[name[0]] fm=fm_map[name[1]] acs.append(ac) fms.append(fm) # print(name,label) names.append(os.path.join(img_path,name)) labels.append(float(label)) return names,labels,acs,fms ``` ``` train_names,train_labels,train_acs,train_fms=read_txt("/kaggle/input/facial-beauty-prediction/SCUT-FBP5500_v2/train_test_files/split_of_60%training and 40%testing/train.txt") ``` ``` train_num=len(train_names) train_num ``` ``` test_names,test_labels,test_acs,test_fms=read_txt("/kaggle/input/facial-beauty-prediction/SCUT-FBP5500_v2/train_test_files/split_of_60%training and 40%testing/test.txt") ``` ### 生成训练数据集（关键） ``` train_ds=tf.data.Dataset.from_tensor_slices((train_names,(train_labels,train_acs,train_fms))) train_ds ``` **注意：** 传入一个tuple类型，第一个元素train_names是list类型，第二个元素是tuple类型，该tuple里面的每个元素都是list ### 定义预处理函数 ``` def process_train(path,label): t=tf.io.read_file(path) arr=tf.io.decode_jpeg(t,channels=3) arr=tf.image.resize(arr,(img_size,img_size)) arr = arr/255 return arr,label ``` ``` train_ds2=train_ds.map(process_train,num_parallel_calls=AUTOTUNE).shuffle(train_num).batch(batch_size).prefetch(AUTOTUNE) test_ds=tf.data.Dataset.from_tensor_slices((test_names,(test_labels,test_acs,test_fms))) test_ds2=test_ds.map(process_train,num_parallel_calls=AUTOTUNE).batch(batch_size).prefetch(AUTOTUNE) ``` ### 构建模型（关键） ``` def build(): inp=tf.keras.Input((img_size, img_size, 3)) x=tf.keras.layers.Conv2D(64,3,padding='same',activation="relu",)(inp) x=tf.keras.layers.Conv2D(64,3,padding='same',activation="relu")(x) x=tf.keras.layers.MaxPooling2D()(x) x=tf.keras.layers.Conv2D(128,3,padding='same',activation="relu")(x) x=tf.keras.layers.Conv2D(128,3,padding='same',activation="relu")(x) x=tf.keras.layers.MaxPooling2D()(x) x=tf.keras.layers.Conv2D(256,3,padding='same',activation="relu")(x) x=tf.keras.layers.Conv2D(256,3,padding='same',activation="relu")(x) x=tf.keras.layers.MaxPooling2D()(x) x=tf.keras.layers.Conv2D(512,3,padding='same',activation="relu")(x) x=tf.keras.layers.Conv2D(512,3,padding='same',activation="relu")(x) x=tf.keras.layers.GlobalAveragePooling2D()(x) x=tf.keras.layers.Dense(1024,activation="relu")(x) # x=tf.keras.layers.Dropout(0.5)(x) # x=tf.keras.layers.Dense(1024,activation="relu")(x) # x=tf.keras.layers.Dropout(0.5)(x) score=tf.keras.layers.Dense(1,name="score")(x) ac=tf.keras.layers.Dense(1,activation="sigmoid",name="ac")(x) fm=tf.keras.layers.Dense(1,activation="sigmoid",name="fm")(x) model=tf.keras.Model(inp,[score,ac,fm]) return model ``` **注意：** 模型中输出层layer的 **name**，在 **编译** 时会用到 ``` model=build() ``` ### 编译（关键） 编译时要注意，因为是多输出模型，所以要分别设置每个输出的loss，分别设置每个输出的metrics，如下代码： ``` model.compile(optimizer=tf.keras.optimizers.Adam(lr=0.0001), loss=["mse","binary_crossentropy","binary_crossentropy"], metrics={"score":"mae","ac":"acc","fm":"acc"}) ``` **注意：** metrics是dict类型，key是：score、ac、fm，是模型中layer的name 或者 ``` model.compile(optimizer=tf.keras.optimizers.Adam(lr=0.0001), loss=["mse","binary_crossentropy","binary_crossentropy"], metrics=[["mae"],["acc"],"acc"]) ``` **注意：** 必须是`metrics=[["mae"],"acc","acc"]`，不能是`metrics=["mae","acc","acc"]` ### 训练 ``` history=model.fit(train_ds2,epochs=40,validation_data=test_ds2) ``` 最后一次结果： ``` Epoch 36/40 217/413 [==============>...............] - ETA: 15s - loss: 0.2152 - score_loss: 0.1608 - ac_loss: 0.0205 - fm_loss: 0.0340 - score_mae: 0.3112 - ac_acc: 0.9948 - fm_acc: 0.9896 ``` 可知： - 颜值 score_mae 误差在0.3 - 亚洲/欧洲检测准确率在0.99 - 性别检测准确率在0.98 ### 查看loss和正确率 ``` plt.plot(history.epoch,history.history["score_mae"],label="score_mae") plt.plot(history.epoch,history.history["val_score_mae"],label="val_score_mae") plt.legend() ``` ``` plt.plot(history.epoch,history.history["ac_acc"],label="ac_acc") plt.plot(history.epoch,history.history["val_ac_acc"],label="val_ac_acc") plt.legend() ``` ``` plt.plot(history.epoch,history.history["fm_acc"],label="fm_acc") plt.plot(history.epoch,history.history["val_fm_acc"],label="val_fm_acc") plt.legend() ``` ``` plt.plot(history.epoch,history.history["score_loss"],label="score_loss") plt.plot(history.epoch,history.history["val_score_loss"],label="val_score_loss") plt.legend() ``` ``` plt.plot(history.epoch,history.history["ac_loss"],label="ac_loss") plt.plot(history.epoch,history.history["val_ac_loss"],label="val_ac_loss") plt.legend() ``` ``` plt.plot(history.epoch,history.history["fm_loss"],label="fm_loss") plt.plot(history.epoch,history.history["val_fm_loss"],label="val_fm_loss") plt.legend() ``` ### 保存模型 ``` model.save("model.h5",save_format="h5") ``` # 预测 ``` import tensorflow as tf import matplotlib.pyplot as plt img_size=224 ac_map={0:"亚洲",1:"欧洲"} fm_map={0:"女",1:"男"} ``` ### 加载模型 ``` model=tf.keras.models.load_model("/Users/mym/Desktop/数据集/SCUT-FBP5500_v2/model颜值亚欧性别.h5") ``` ### 定义函数 ``` def test(path): t=tf.io.read_file(path) arr=tf.io.decode_jpeg(t,channels=3) plt.imshow(arr) arr=tf.image.resize(arr,(img_size,img_size)) arr = arr/255 arr=tf.expand_dims(arr,0) prd=model.predict(arr) score,ac,fm=tf.squeeze(prd).numpy() print("score:",score,"ac:",ac,"fm:",fm) score=int(round(score*20)) ac=1 if ac>0.5 else 0 ac=ac_map.get(ac) fm=1 if fm>0.5 else 0 fm=fm_map.get(fm) print("颜值：%s，亚欧：%s，性别：%s"%(score,ac,fm)) ``` ``` test("/Users/mym/Desktop/可删除/OIP.jpeg") ``` 原文出处：/show_1EF5NUEm0T3B.html