谁是chinajoy上最漂亮的小姐姐？ai颜值评分神器来帮你-4008云顶国际网站

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。

##################################### 来自程序猿视角的分割线 ######################################

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

1	!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，比如开源的效果就不错，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，里面有人工评分的2500张男性人脸和2500张女性人脸，代码库提供了基于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])

##################################### 来自程序猿视角的分割线 ######################################

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）       点下载脚本face_beauty_predict.ipynb；

（2）       参考注册华为云账号（官方教程，需点一下报名），参考创建modelarts notebook，点击notebook页面右上角的upload按钮，将上一步下载的脚本上传到notebook中，点击打开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，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，点击下方链接就可以测颜值啦 \(^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~）