Guía de estilización de rostros para Python

La tarea MediaPipe Face Stylizer te permite aplicar estilos de rostros a los rostros de una imagen. Puedes usar esta tarea para crear avatares virtuales en varios estilos.

La muestra de código que se describe en estas instrucciones está disponible en GitHub. Para obtener más información sobre las capacidades, los modelos y las opciones de configuración de esta tarea, consulta la Descripción general.

Ejemplo de código

En el código de ejemplo de Face Stylizer, se proporciona una implementación completa de esta tarea en Python para tu referencia. Este código te ayudará a probar esta tarea y comenzar a crear tu propio estilizador de rostros. Puedes ver, ejecutar y editar el código de ejemplo de Face Stylizer con solo tu navegador web.

Configuración

En esta sección, se describen los pasos clave para configurar tu entorno de desarrollo y los proyectos de código específicamente para usar el estilizador de rostros. Si quieres obtener información general sobre la configuración de tu entorno de desarrollo para usar tareas de MediaPipe, incluidos los requisitos de la versión de la plataforma, consulta la Guía de configuración de Python.

Paquetes

La tarea MediaPipe Face Stylizer requiere el paquete mediapipe PyPI. Puedes instalar y también importar estas dependencias con lo siguiente:

$ python -m pip install mediapipe

Importaciones

Importa las siguientes clases para acceder a las funciones de tareas de Face Stylizer:

import mediapipe as mp
from mediapipe.tasks import python
from mediapipe.tasks.python import vision

Modelo

La tarea MediaPipe Face Stylizer requiere un modelo entrenado que sea compatible con esta tarea. Si quieres obtener más información sobre los modelos entrenados disponibles para el Estilizador de rostros, consulta la descripción general de la tarea en la sección Modelos.

Selecciona y descarga el modelo; luego, almacénalo en un directorio local:

model_path = '/absolute/path/to/face_stylizer.task'

Usa el parámetro model_asset_path del objeto BaseOptions para especificar la ruta de acceso del modelo que se usará. Para ver un ejemplo de código, consulta la siguiente sección.

Crea la tarea

La tarea MediaPipe Face Stylizer usa la función create_from_options para configurar la tarea. La función create_from_options acepta valores para que las opciones de configuración controlen.

En el siguiente código, se muestra la compilación y configuración de esta tarea.

import mediapipe as mp

BaseOptions = mp.tasks.BaseOptions
Facestylizer = mp.tasks.vision.face_stylizer
FacestylizerOptions = mp.tasks.vision.FaceStylizerOptions

# Create a face stylizer instance with the image mode:
options = FacestylizerOptions(
    base_options=BaseOptions(model_asset_path=model_path),
with Facestylizer.create_from_options(options) as stylizer:
  # The stylizer is initialized. Use it here.
  # ...

Preparar los datos

Prepara la entrada como un archivo de imagen o un array de NumPy y, luego, conviértelo en un objeto mediapipe.Image. Si la entrada es un archivo de video o una transmisión en vivo desde una cámara web, puedes usar una biblioteca externa, como OpenCV, para cargar los marcos de entrada como arrays NumPy.

import mediapipe as mp

# Load the input image from an image file.
mp_image = mp.Image.create_from_file('/path/to/image')

# Load the input image from a numpy array.
mp_image = mp.Image(image_format=mp.ImageFormat.SRGB, data=numpy_image)

Ejecuta la tarea

El estilizador de rostros usa la función stylize para activar las inferencias. Para la estilización de rostros, esto implica el procesamiento previo de los datos de entrada y el estilo de los rostros en la imagen.

En el siguiente código, se muestra cómo ejecutar el procesamiento con el modelo de tareas.

# Perform face stylization on the provided single image.
# The face stylizer must be created with the image mode.
face_stylizer_result = stylizer.stylize(mp_image)

Cómo controlar y mostrar los resultados

El estilizador de rostros muestra un objeto Image con una estilización del rostro más destacado dentro de la imagen de entrada.

A continuación, se muestra un ejemplo de los datos de salida de esta tarea:

El resultado anterior se creó aplicando el modelo Boceto de color a la siguiente imagen de entrada: