摘要： CJ开幕，顶着三伏天的酷暑高温，暴走一整天，就为了拍点漂亮小姐姐给大家看看。
一年一度的游戏视觉盛宴又来了！
作为一个游戏动漫控的肥宅，去CJ现场是必须的。除了看看游戏和动漫，各大游戏展台漂亮的Showgirl也是必不可少的，毕竟没有妹子的CJ就是没有灵魂的CJ，不拍点妹子照片更是等于白来。
逛完展会下来，腿都快走断了，当然，收获是满满的，拍了不少妹子的图，美滋滋地回去了。
回去后和几个好哥们心生一计，咱们要不来PK一下谁拍的妹子最好看？大家一声吆喝，纷纷把手机掏出来，开始凶猛地查找照片。
本肥宅翻了手机里拍的所有照片，选出几张准备和大家PK，结果有一兄弟喷我拍的都是些啥玩意，说我审美不行！忍不了啊，是可忍，叔不可忍，婶婶更不能忍！竟然怀疑我的审美！！！哥差点跟他当场干架！
几个人争来争去，都说自己拍的妹子最好看，好吧，这样争下去是没有结果了……
本肥宅的脑子灵光一闪，说啥咱也是个有技术的人，是不是可以用大数据和AI来搞一个颜值评分器？PK一下到底谁拍的妹子最好看？
AI来打分，看看CJ上哪个Showgirl最漂亮？
说干就干，马上上网查找资料，终于找到一个人脸颜值评分的数据集，总共有2500张男性人脸和2500张女性人脸，由60个人进行人工评分，有数据有标签，那么就可以用该数据集训练一个人脸颜值评分AI模型，技术上来说行得通，行，那就搞起来！
经过2个多小时的“撸力”后，代码写好了，模型ready了，先拿两张CJ的小姐姐照片试一下，看看效果怎样呢？
喔嚯嚯~，左边3.6分，右边3.1和3.3分。
注：评分标准是满分5分，最低1分。数据集提供方有说明，5分和1分是惊世骇俗之颜值，所以数据集中的图片基本上极少能评到5分或1分，绝大多数都是2到4分。
看起来效果还不错哦，符合本肥宅的预期，最重要的是这是模型预测出来的结果，是基于5000张图片和60个人的评价训练得到的模型，完全不带个人的审美偏见。有如此神器在手，简直可以横着走！
我已经开始想象这个神器可以做哪些事情了！/奸笑，比如：
（1）测试一下女盆友（如果你有）化妆前后的颜值变化；
（2）评选出班级里最好看的女生；
（3）跟好友进行颜值PK，比一下谁更帅，谁更漂亮；
（4）把收藏的资源都拿出来，筛选出最好看的女生；
等等。。。
实在是有太多用处了，必须是神器啊！/流口水
这么好的东西，不分享一下实在可惜了，毕竟自己也经常从别人那拿东西，本肥宅也决定大度一把，把代码和模型共享出来。
10分钟速成AI颜值评分神器
先讲一下我是怎么开发这个模型的，其实很简单，就是人脸检测+人脸颜值评分，人脸检测模型一大把，这里就不多说了，至于颜值评分，直接撸一个Resnet50模型，最后加一个Dense(1)层就可以了。
我开发这个模型，用的是来自华为云的ModelArts（它是一个在线、开箱即用的AI平台，还有免费的GPU算力，每天不限次数使用，不要太爽！），所以代码是在ipynb中跑的。
主要有四个步骤实现人脸颜值评分：
（1）前提准备
（2）搭建人脸检测模型
（3）搭建人脸评分模型
（4）效果测试
下面开始上代码，所有代码如下，详情请阅读代码注释：
（1）前提准备
安装需要的python模块
!pip install torch==1.1.0 torchvision==0.3.0 # 本案例同时需要 tf 和 pytorch 两种框架下载代码和模型
import os
import subprocess
import moxing as mox
print('Downloading datasets and code ...')
if not os.path.exists('face_beauty_predict'):
mox.file.copy('obs://arthur-1/face_beauty_predict/face_beauty_predict.zip', './face_beauty_predict.zip')
p1 = subprocess.run(['unzip face_beauty_predict.zip;rm face_beauty_predict.zip'], stdout=subprocess.PIPE, shell=True, check=True)
print('Download success')（2）搭建人脸检测模型
公开的人脸检测非常多，例如开源的RetinaFace 效果就不错，且已经有训练好的模型可以下载使用，执行下面的代码即可完成人脸检测模型的搭建
import os
import sys
sys.path.insert(0, os.path.join(os.getcwd(), './face_beauty_predict/model'))
import torch
import numpy as np
from PIL import Image
from collections import OrderedDict
import torch.backends.cudnn as cudnn
from data import cfg_re50
from layers.functions.prior_box import PriorBox
from utils.nms.py_cpu_nms import py_cpu_nms
from models.retinaface import RetinaFace
from utils.box_utils import decode, decode_landm
cudnn.benchmark = True
class RetinaFaceModel(object):
def __init__(self, model_path):
self.network = 'resnet50'
self.cpu = True
self.confidence_threshold = 0.02
self.top_k = 5000
self.nms_threshold = 0.4
self.keep_top_k = 750
self.save_image = True
self.vis_thres = 0.9
self.device = torch.device("cpu" if self.cpu else "cuda")
print('Loading model from %s' % model_path)
torch.set_grad_enabled(False)
self.model = RetinaFace(cfg=cfg_re50, phase='test')
if self.cpu:
pretrained_dict = torch.load(model_path, map_location='cpu')
else:
pretrained_dict = torch.load(model_path)
state_dict = OrderedDict()
for key, value in pretrained_dict.items():
tmp = key[7:]
state_dict[tmp] = value
self.model.load_state_dict(state_dict, strict=False)
self.model.eval()
self.model = self.model.to(self.device)
print('load model success')
def inference(self, img):
img = np.float32(img)
im_height, im_width, _ = img.shape
scale = torch.Tensor([img.shape[1], img.shape[0], img.shape[1], img.shape[0]])
img -= (104, 117, 123)
img = img.transpose(2, 0, 1)
img = torch.from_numpy(img).unsqueeze(0)
img = img.to(self.device)
scale = scale.to(self.device)
loc, conf, landms = self.model(img) # forward pass
priorbox = PriorBox(cfg_re50, image_size=(im_height, im_width))
priors = priorbox.forward()
priors = priors.to(self.device)
prior_data = priors.data
boxes = decode(loc.data.squeeze(0), prior_data, cfg_re50['variance'])
boxes = boxes * scale
boxes = boxes.cpu().numpy()
scores = conf.squeeze(0).data.cpu().numpy()[:, 1]
landms = decode_landm(landms.data.squeeze(0), prior_data, cfg_re50['variance'])
scale1 = torch.Tensor([img.shape[3], img.shape[2], img.shape[3], img.shape[2],
img.shape[3], img.shape[2], img.shape[3], img.shape[2],
img.shape[3], img.shape[2]])
scale1 = scale1.to(self.device)
landms = landms * scale1
landms = landms.cpu().numpy()
# ignore low scores
inds = np.where(scores > self.confidence_threshold)[0]
boxes = boxes[inds]
landms = landms[inds]
scores = scores[inds]
# keep top-K before NMS
order = scores.argsort()[::-1][:self.top_k]
boxes = boxes[order]
landms = landms[order]
scores = scores[order]
# do NMS
dets = np.hstack((boxes, scores[:, np.newaxis])).astype(np.float32, copy=False)
keep = py_cpu_nms(dets, self.nms_threshold)
dets = dets[keep, :]
landms = landms[keep]
# keep top-K faster NMS
dets = dets[:self.keep_top_k, :]
landms = landms[:self.keep_top_k, :]
dets = np.concatenate((dets, landms), axis=1) # face detection results
detection_classes = []
detection_scores = []
detection_boxes = []
for b in dets:
if b[4] < self.vis_thres:
continue
detection_classes.append('face')
detection_scores.append(round(float(b[4]), 4))
detection_boxes.append([int(b[1]), int(b[0]), int(b[3]), int(b[2])])
return detection_classes, detection_scores, detection_boxes
model_path = r'./face_beauty_predict/model/Resnet50_Final.pth'
retina_face_model = RetinaFaceModel(model_path)（3）搭建人脸评分模型
有个公开的人脸评分数据集是SCUT-FBP5500 ，里面有人工评分的2500张男性人脸和2500张女性人脸，代码库facial_beauty_prediction 提供了基于SCUT-FBP5500数据集训练好的模型，执行如下代码就可以加载模型使用
import cv2
from PIL import Image
from keras.models import load_model
class FaceBeautyModel(object):
def __init__(self, model_path):
print('Loading model from %s' % model_path)
self.img_width = 350
self.img_height = 350
self.channels = 3
self.beauty_model = load_model(model_path) # 直接加载训练好的模型
print('load model success')
def inference(self, img):
img_resize = cv2.resize(img, (self.img_width, self.img_height), cv2.INTER_AREA)
img_resize = img_resize / 255.
img_resize = img_resize.reshape((1,) + img_resize.shape)
pred_result = self.beauty_model.predict(img_resize)
if pred_result is not None:
pred_result = pred_result[0][0]
return pred_result
model_path = r'./face_beauty_predict/model/face_beauty/face_beauty.h5'
face_beauty_model = FaceBeautyModel(model_path)（4）效果测试
img_path = r'./face_beauty_predict/model/test_imgs/1.jpg' # 测试图片路径
src_img = cv2.imread(img_path)
detection_classes, detection_scores, detection_boxes = retina_face_model.inference(src_img)
img_draw = src_img.copy()
if len(detection_boxes) > 0:
for box in detection_boxes:
y1, x1, y2, x2 = int(box[0]), int(box[1]), int(box[2]), int(box[3])
width = x2 - x1
height = y2 - y1
new_x1 = max(int(x1 - 0.5 * width), 0)
new_y1 = max(int(y1 - 0.5 * height), 0)
new_x2 = min(int(x2 + 0.5 * width), src_img.shape[1])
new_y2 = min(int(y2 + 0.2 * height), src_img.shape[0])
pred_result = face_beauty_model.inference(src_img[new_y1:new_y2, new_x1:new_x2])
if pred_result is not None:
cv2.rectangle(img_draw, (x1, y1), (x2, y2), (0, 255, 0), thickness=2) # 显示人脸位置
cv2.putText(img_draw, '%.1f' % pred_result, (x1, y1 - 3), cv2.FONT_HERSHEY_SIMPLEX, 0.6, (0, 255, 0), 2) # 显示颜值评分
else:
print('未检测到人脸')
# 显示图片预测结果
Image.fromarray(img_draw[:,:,::-1])
到这里，人脸颜值评分的神器就搞定了！想要代码和模型动手一试的兄弟请看下文。
颜值评分神器获取方式：
方式一：获取代码 + 模型
（1）点此链接下载脚本 face_beauty_predict.ipynb ; [](https://arthur-1.obs.cn-north...
（2）参考此链接注册华为云账号（官方教程，需点一下报名），参考此链接创建 ModelArts笔记本，单击笔记本页面右上角的上传按钮，将上一步下载的脚本上传到笔记本中，单击打开 face_beauty_predict .ipynb ，在新打开的页面中，点击页面顶部的Cell- > Run All ，即可下载全部代码和模型。
方式二：获取模型
（1）模型已分享到华为云 ModelArts 的 AI 市场，所有人都可以下载，点此链接进入到模型详情页面；
（2）然后参考下面几张图进行鼠标点击操作，即可完成模型的下载和部署：
同步大概花1分钟左右，可以刷新网页来刷新状态，称为“就绪”状态后，就可以部署模型了
然后按照提示操作，点下一步、提交、返回在线服务列表，看到的状态是部署中，状态变成运行中之后，就可以点击服务名称进去预测了
ModelArts上有个将模型部署成在线服务的功能，部署成功后有一个RESTAPI接口，再集成该API就可以做成一个h5页面啦，我已经做好了一个h5页面，访问https://jamiexu.easy.echosite... \(^o^)/~ ，还不快试一下？
（还请温柔一点，没钱买服务器，如果出现卡顿，请平静对待~）