La tâche "Détecteur de visages" vous permet de détecter des visages dans une image ou une vidéo. Vous pouvez utiliser cette tâche pour localiser des visages et des traits du visage dans un cadre. Cette tâche utilise un modèle de machine learning (ML) qui fonctionne avec des images uniques ou un flux continu d'images. La tâche renvoie les emplacements des visages, ainsi que la touche faciale suivante : points: œil gauche, œil droit, extrémité du nez, bouche, tragion de l'œil gauche et œil droit tragique.
L'exemple de code décrit dans ces instructions est disponible sur GitHub. Pour voir une démonstration de cette tâche, consultez cette page Web une démonstration. Pour plus sur les fonctionnalités, les modèles et les options de configuration tâche, consultez la Aperçu.
Exemple de code
L'exemple de code MediaPipe Tasks est une implémentation simple d'un détecteur de visages pour iOS. L'exemple utilise l'appareil photo d'un appareil Android physique pour détecter visages dans un flux vidéo continu. L'application peut également détecter des visages sur des images et de la galerie de l'appareil.
Vous pouvez utiliser l'application comme point de départ pour votre propre application iOS ou vous y référer. lorsque vous modifiez une application existante. L'exemple de code du détecteur de visages est hébergé sur GitHub
Télécharger le code
Les instructions suivantes vous expliquent comment créer une copie locale de l'exemple à l'aide de l'outil de ligne de commande git.
<ph type="x-smartling-placeholder">Pour télécharger l'exemple de code:
Clonez le dépôt Git à l'aide de la commande suivante:
git clone https://github.com/google-ai-edge/mediapipe-samples
Si vous le souhaitez, vous pouvez configurer votre instance Git pour utiliser le paiement creuse. Seuls les fichiers de l'application exemple Détecteur de visage:
cd mediapipe git sparse-checkout init --cone git sparse-checkout set examples/face_detector/ios/
Après avoir créé une version locale de l'exemple de code, vous pouvez installer bibliothèque de tâches MediaPipe, ouvrez le projet avec Xcode et exécutez l'application. Pour instructions, consultez le Guide de configuration pour iOS.
Composants clés
Les fichiers suivants contiennent le code essentiel pour l'exemple du détecteur de visages application:
- FaceDetectorService.swift: Initialise le détecteur, gère la sélection du modèle et exécute l'inférence sur les données d'entrée.
- CameraViewController: Implémentation de l'interface utilisateur pour le mode de saisie du flux de caméra en direct et visualisation des résultats de détection
- MediaLibraryViewController.swift: Implémente l'interface utilisateur pour le mode de saisie des images fixes et des fichiers vidéo, et visualise les résultats de la détection.
Configuration
Cette section décrit les étapes clés à suivre pour configurer votre environnement de développement pour utiliser Face Detector. Pour obtenir des informations générales sur la configuration environnement de développement permettant d'utiliser des tâches MediaPipe, y compris la version de la plate-forme consultez le Guide de configuration pour iOS.
<ph type="x-smartling-placeholder">Dépendances
Le détecteur de visages utilise la bibliothèque MediaPipeTasksVision
, qui doit être installée
à l'aide de CocoaPods. La bibliothèque est compatible avec les applications Swift et Objective-C
et ne nécessite aucune configuration de langue supplémentaire.
Pour obtenir des instructions sur l'installation de CocoaPods sous macOS, reportez-vous au document CocoaPods
guide d'installation.
Pour savoir comment créer un Podfile
avec les pods nécessaires pour votre
consultez la section Utilisation
CocoaPods
Ajoutez le pod MediaPipeTasksVision dans le fichier Podfile
à l'aide du code suivant:
target 'MyFaceDetectorApp' do
use_frameworks!
pod 'MediaPipeTasksVision'
end
Si votre application inclut des cibles de tests unitaires, reportez-vous au Guide de configuration
iOS.
votre Podfile
.
Modèle
La tâche de détection de visages MediaPipe nécessite un modèle entraîné et compatible pour cette tâche. Pour en savoir plus sur les modèles entraînés disponibles pour de détection de visages, consultez la présentation des tâches Modèles .
Sélectionnez et téléchargez un modèle, puis ajoutez-le au répertoire de votre projet à l'aide de Xcode. Pour savoir comment ajouter des fichiers à votre projet Xcode, reportez-vous à la section Gestion fichiers et dossiers dans votre Xcode projet.
Utilisez la propriété BaseOptions.modelAssetPath
pour spécifier le chemin d'accès au modèle.
dans votre app bundle. Pour obtenir un exemple de code, consultez la section suivante.
Créer la tâche
Vous pouvez créer la tâche de détection de visages en appelant l'un de ses initialiseurs. La
L'initialiseur FaceDetector(options:)
accepte les valeurs pour la configuration
options.
Si vous n'avez pas besoin d'un détecteur de visages initialisé avec une configuration personnalisée
vous pouvez utiliser l'initialiseur FaceDetector(modelPath:)
pour créer
avec les options par défaut du détecteur de visages. Pour en savoir plus sur la configuration
consultez la page Présentation de la configuration.
La tâche "Détecteur de visages" accepte trois types de données d'entrée: images fixes et fichiers vidéo
et les flux vidéo en direct. Par défaut, FaceDetector(modelPath:)
initialise un
pour les images fixes. Si vous souhaitez que votre tâche soit initialisée pour traiter des vidéos
ou de flux vidéo en direct, utilisez FaceDetector(options:)
pour spécifier la vidéo
ou diffusion en direct. Le mode "Diffusion en direct" nécessite également
l'option de configuration faceDetectorLiveStreamDelegate
, qui active
Avec le détecteur de visages, il transmet les résultats de la détection de visages au délégué de manière asynchrone.
Choisissez l'onglet correspondant à votre mode d'exécution pour découvrir comment créer la tâche. et exécuter des inférences.
Swift
Image
import MediaPipeTasksVision let modelPath = Bundle.main.path(forResource: "model", ofType: "tflite") let options = FaceDetectorOptions() options.baseOptions.modelAssetPath = modelPath options.runningMode = .image let faceDetector = try FaceDetector(options: options)
Vidéo
import MediaPipeTasksVision let modelPath = Bundle.main.path(forResource: "model", ofType: "tflite") let options = FaceDetectorOptions() options.baseOptions.modelAssetPath = modelPath options.runningMode = .video let faceDetector = try FaceDetector(options: options)
Diffusion en direct
import MediaPipeTasksVision // Class that conforms to the `FaceDetectorLiveStreamDelegate` protocol and // implements the method that the face detector calls once it finishes // detecting faces in each input frame. class FaceDetectorResultProcessor: NSObject, FaceDetectorLiveStreamDelegate { func faceDetector( _ faceDetector: FaceDetector, didFinishDetection result: FaceDetectorResult?, timestampInMilliseconds: Int, error: Error?) { // Process the face detection result or errors here. } } let modelPath = Bundle.main.path( forResource: "model", ofType: "tflite") let options = FaceDetectorOptions() options.baseOptions.modelAssetPath = modelPath options.runningMode = .liveStream // Assign an object of the class to the `faceDetectorLiveStreamDelegate` // property. let processor = FaceDetectorResultProcessor() options.faceDetectorLiveStreamDelegate = processor let faceDetector = try FaceDetector(options: options)
Objective-C
Image
@import MediaPipeTasksVision; NSString *modelPath = [[NSBundle mainBundle] pathForResource:@"model" ofType:@"tflite"]; MPPFaceDetectorOptions *options = [[MPPFaceDetectorOptions alloc] init]; options.baseOptions.modelAssetPath = modelPath; options.runningMode = MPPRunningModeImage; MPPFaceDetector *faceDetector = [[MPPFaceDetector alloc] initWithOptions:options error:nil];
Vidéo
@import MediaPipeTasksVision; NSString *modelPath = [[NSBundle mainBundle] pathForResource:@"model" ofType:@"tflite"]; MPPFaceDetectorOptions *options = [[MPPFaceDetectorOptions alloc] init]; options.baseOptions.modelAssetPath = modelPath; options.runningMode = MPPRunningModeVideo; MPPFaceDetector *faceDetector = [[MPPFaceDetector alloc] initWithOptions:options error:nil];
Diffusion en direct
@import MediaPipeTasksVision; // Class that conforms to the `MPPFaceDetectorLiveStreamDelegate` protocol // and implements the method that the face detector calls once it finishes // detecting faces in each input frame. @interface APPFaceDetectorResultProcessor : NSObject@end @implementation APPFaceDetectorResultProcessor - (void)faceDetector:(MPPFaceDetector *)faceDetector didFinishDetectionWithResult:(MPPFaceDetectorResult *)faceDetectorResult timestampInMilliseconds:(NSInteger)timestampInMilliseconds error:(NSError *)error { // Process the face detector result or errors here. } @end NSString *modelPath = [[NSBundle mainBundle] pathForResource:@"model" ofType:@"tflite"]; MPPFaceDetectorOptions *options = [[MPPFaceDetectorOptions alloc] init]; options.baseOptions.modelAssetPath = modelPath; options.runningMode = MPPRunningModeLiveStream; // Assign an object of the class to the `faceDetectorLiveStreamDelegate` // property. APPFaceDetectorResultProcessor *processor = [APPFaceDetectorResultProcessor new]; options.faceDetectorLiveStreamDelegate = processor; MPPFaceDetector *faceDetector = [[MPPFaceDetector alloc] initWithOptions:options error:nil];
Remarque:Si vous utilisez le mode Vidéo ou Streaming, le détecteur de visages utilise pour éviter de déclencher le modèle de détection à chaque image, réduire la latence.
Options de configuration
Cette tâche comporte les options de configuration suivantes pour les applications iOS:
Nom de l'option | Description | Plage de valeurs | Valeur par défaut |
---|---|---|---|
runningMode |
Définit le mode d'exécution de la tâche. Il y en a trois
modes: IMAGE: mode utilisé pour la saisie d'une seule image. VIDEO: mode des images décodées d'une vidéo. LIVE_STREAM: mode d'une diffusion en direct des entrées provenant d'un appareil photo, par exemple. Dans ce mode, resultListener doit être appelé pour configurer un écouteur afin de recevoir les résultats ; de manière asynchrone. |
{RunningMode.image, RunningMode.video, RunningMode.liveStream } |
RunningMode.image |
minDetectionConfidence |
Score de confiance minimal pour que la détection de visages soit considérée comme réussie. | Float [0,1] |
0.5 |
minSuppressionThreshold |
Seuil minimal de suppression non maximale pour que la détection de visages soit considérée comme se chevauchant. | Float [0,1] |
0.3 |
Configuration de la diffusion en direct
Lorsque le mode de course est configuré pour une diffusion en direct, le détecteur de visage requiert
l'option de configuration faceDetectorLiveStreamDelegate
supplémentaire, qui permet
le détecteur de visages pour fournir
les résultats de détection de manière asynchrone. Le délégué
met en œuvre
faceDetector(_:didFinishDetection:timestampInMilliseconds:error:)
,
que le détecteur de visages appelle après avoir traité les résultats de la détection de visages.
chaque image.
Nom de l'option | Description | Plage de valeurs | Valeur par défaut |
---|---|---|---|
faceDetectorLiveStreamDelegate |
Permet au détecteur de visages de recevoir les résultats de la détection de visages de manière asynchrone
en mode diffusion en direct. La classe dont l'instance est définie sur cette propriété doit :
implémenter
faceDetector(_:didFinishDetection:timestampInMilliseconds:error:)
. |
Non applicable | Non défini |
Préparer les données
Vous devez convertir l'image ou le cadre d'entrée en objet MPImage
avant
en la transmettant au détecteur de visages. MPImage
est compatible avec différents types d'images iOS
et peuvent les utiliser dans n'importe quel mode d'exécution pour l'inférence. Pour plus
plus d'informations sur MPImage
, consultez
API MPImage
Choisissez un format d'image iOS en fonction de votre cas d'utilisation et du mode de course que vous
requise par l'application.MPImage
accepte les règles de confidentialité UIImage
, CVPixelBuffer
et
CMSampleBuffer
formats d'image iOS.
UIImage
Le format UIImage
convient bien aux modes d'exécution suivants:
Images : images d'un app bundle, d'une galerie d'utilisateur ou d'un système de fichiers au format suivant : Les images
UIImage
peuvent être converties en objetMPImage
.Vidéos: utilisez AVAssetImageGenerator. pour extraire des images vidéo CGImage le format d'image, puis les convertir en
UIImage
images.
Swift
// Load an image on the user's device as an iOS `UIImage` object. // Convert the `UIImage` object to a MediaPipe's Image object having the default // orientation `UIImage.Orientation.up`. let image = try MPImage(uiImage: image)
Objective-C
// Load an image on the user's device as an iOS `UIImage` object. // Convert the `UIImage` object to a MediaPipe's Image object having the default // orientation `UIImageOrientationUp`. MPImage *image = [[MPPImage alloc] initWithUIImage:image error:nil];
L'exemple initialise un MPImage
avec les valeurs par défaut
UIImage.Orientation.Up
l'orientation. Vous pouvez initialiser un MPImage
avec n'importe laquelle des
UIImage.Orientation
valeurs. Le détecteur de visages ne prend pas en charge les orientations en miroir comme .upMirrored
,
.downMirrored
, .leftMirrored
et .rightMirrored
.
Pour plus d'informations sur UIImage
, reportez-vous à UIImage Apple Developer
documentation.
CVPixelBuffer
Le format CVPixelBuffer
convient bien aux applications qui génèrent des frames
et utiliser la classe iOS CoreImage
pour le traitement.
Le format CVPixelBuffer
convient bien aux modes d'exécution suivants:
Images: applications qui génèrent
CVPixelBuffer
images après un traitement utilisant le frameworkCoreImage
d'iOS peuvent être envoyés au détecteur de visages d'exécution de l'image.Vidéos: les images vidéo peuvent être converties au format
CVPixelBuffer
pour puis envoyées au détecteur de visages en mode vidéo.Diffusion en direct: les applications utilisant un appareil photo iOS pour générer des images peuvent être converties au format
CVPixelBuffer
pour être traité avant d'être envoyé au Détecteur de visages en mode diffusion en direct.
Swift
// Obtain a CVPixelBuffer. // Convert the `CVPixelBuffer` object to a MediaPipe's Image object having the default // orientation `UIImage.Orientation.up`. let image = try MPImage(pixelBuffer: pixelBuffer)
Objective-C
// Obtain a CVPixelBuffer. // Convert the `CVPixelBuffer` object to a MediaPipe's Image object having the // default orientation `UIImageOrientationUp`. MPImage *image = [[MPPImage alloc] initWithUIImage:image error:nil];
Pour plus d'informations sur CVPixelBuffer
, reportez-vous au fichier CVPixelBuffer
Développeur
documentation.
CMSampleBuffer
Le format CMSampleBuffer
stocke des échantillons multimédias d'un type uniforme et est
bien adapté au streaming en direct. Les images en direct des appareils photo iOS sont
envoyé de manière asynchrone au format CMSampleBuffer
par iOS
AVCaptureVideoDataOutput.
Swift
// Obtain a CMSampleBuffer. // Convert the `CMSampleBuffer` object to a MediaPipe's Image object having the default // orientation `UIImage.Orientation.up`. let image = try MPImage(sampleBuffer: sampleBuffer)
Objective-C
// Obtain a `CMSampleBuffer`. // Convert the `CMSampleBuffer` object to a MediaPipe's Image object having the // default orientation `UIImageOrientationUp`. MPImage *image = [[MPPImage alloc] initWithSampleBuffer:sampleBuffer error:nil];
Pour plus d'informations sur CMSampleBuffer
, reportez-vous au fichier CMSampleBuffer
Développeur
documentation.
Exécuter la tâche
Pour exécuter le détecteur de visages, utilisez la méthode detect()
propre au
en cours d'exécution:
- Image fixe:
detect(image:)
- Vidéo :
detect(videoFrame:timestampInMilliseconds:)
- Diffusion en direct :
detectAsync(image:timestampInMilliseconds:)
Le détecteur de visages renvoie les visages détectés dans l'image ou le cadre d'entrée.
Les exemples de code suivants illustrent des exemples simples d'exécution du détecteur de visages dans ces différents modes de fonctionnement:
Swift
Image
let result = try faceDetector.detect(image: image)
Vidéo
let result = try faceDetector.detect( videoFrame: image, timestampInMilliseconds: timestamp)
Diffusion en direct
try faceDetector.detectAsync( image: image, timestampInMilliseconds: timestamp)
Objective-C
Image
MPPFaceDetectorResult *result = [faceDetector detectInImage:image error:nil];
Vidéo
MPPFaceDetectorResult *result = [faceDetector detectInVideoFrame:image timestampInMilliseconds:timestamp error:nil];
Diffusion en direct
BOOL success = [faceDetector detectAsyncInImage:image timestampInMilliseconds:timestamp error:nil];
L'exemple de code du détecteur de visages montre les implémentations de chacun de ces modes
detect(image:)
, detect(videoFrame:timestampInMilliseconds:)
,
et detectAsync(image:timestampInMilliseconds:)
. L'exemple de code autorise
à l'utilisateur de passer d'un mode de traitement à un autre, ce qui n'est peut-être pas nécessaire
.
Veuillez noter les points suivants :
Lorsque vous utilisez le mode vidéo ou le mode direct, vous devez également fournir le le code temporel de la trame d'entrée à la tâche de détection de visages.
En mode Image ou Vidéo, la tâche "Détecteur de visage" bloque thread actuel jusqu'à ce qu'il ait fini de traiter l'image ou le frame d'entrée. À éviter de bloquer le thread actuel, exécuter le traitement en arrière-plan thread utilisant iOS Dispatch ou NSOperation cadres réglementaires.
En mode diffusion en direct, la tâche "Détecteur de visage" est immédiatement renvoyée et ne bloque pas le thread actuel. Elle appelle
faceDetector(_:didFinishDetection:timestampInMilliseconds:error:)
méthode avec le résultat de la détection de visages après le traitement de chaque image d'entrée. La Le détecteur de visages invoque cette méthode de manière asynchrone sur un réseau la file d'attente de distribution. Pour afficher les résultats dans l'interface utilisateur, envoyez la dans la file d'attente principale après leur traitement. Si ledetectAsync
est appelée lorsque la tâche de détection de visages est occupée à traiter une autre l'image, le détecteur de visages ignore la nouvelle image d'entrée.
Gérer et afficher les résultats
Lors de l'exécution de l'inférence, la tâche de détection de visages renvoie un FaceDetectorResult
contenant les cadres de délimitation des visages détectés et le niveau de confiance
pour chaque visage détecté.
Voici un exemple de données de sortie de cette tâche:
FaceDetectionResult:
Detections:
Detection #0:
BoundingBox:
origin_x: 126
origin_y: 100
width: 463
height: 463
Categories:
Category #0:
index: 0
score: 0.9729152917861938
NormalizedKeypoints:
NormalizedKeypoint #0:
x: 0.18298381567001343
y: 0.2961040139198303
NormalizedKeypoint #1:
x: 0.3302789330482483
y: 0.29289937019348145
... (6 keypoints for each face)
Detection #1:
BoundingBox:
origin_x: 616
origin_y: 193
width: 430
height: 430
Categories:
Category #0:
index: 0
score: 0.9251380562782288
NormalizedKeypoints:
NormalizedKeypoint #0:
x: 0.6151331663131714
y: 0.3713381886482239
NormalizedKeypoint #1:
x: 0.7460576295852661
y: 0.38825345039367676
... (6 keypoints for each face)
L'image suivante montre une visualisation du résultat de la tâche:
Pour voir l'image sans cadre de délimitation, reportez-vous à l'image d'origine.
L'exemple de code du détecteur de visages montre comment afficher les résultats. Consultez le exemple de code.