cv_resnet101_face-detection_cvpr22papermogface部署教程云服务器阿里云/AWSGPU实例配置1. 引言如果你正在寻找一个能在复杂环境下精准识别人脸的工具那么今天要介绍的 MogFace 人脸检测模型可能就是你的理想选择。这个基于 CVPR 2022 论文的模型专门针对大角度旋转、遮挡、极小尺寸等棘手场景进行了优化检测精度相当出色。想象一下你需要从一张拥挤的聚会照片里找出所有人脸或者从一段模糊的监控视频中定位关键人物。传统方法可能力不从心但 MogFace 却能轻松应对。更棒的是它被封装成了一个带有 Streamlit 界面的工具支持图片一键上传、实时检测、结果标注和数据导出让复杂的人脸检测任务变得像点几下鼠标一样简单。本文将手把手教你如何在阿里云或 AWS 的云服务器上配置一个带 GPU 的实例并部署这个强大的 MogFace 人脸检测工具。无论你是计算机视觉的初学者还是需要为安防分析、人脸预处理等任务寻找高效解决方案的开发者这篇教程都将为你提供清晰的路径。2. 环境准备选择并配置云服务器部署深度学习应用尤其是视觉模型一块好的 GPU 能带来质的飞跃。云服务器为我们提供了灵活、强大的选择。这里我们以阿里云和 AWS 为例讲解如何选择并配置合适的实例。2.1 云服务商与实例选择你的选择主要取决于预算、对特定云服务的熟悉程度以及模型对显存的需求。MogFace 基于 ResNet101属于中等规模的视觉模型。阿里云 ECS (Elastic Compute Service)推荐实例ecs.gn6i-c4g1.xlarge或ecs.gn7i-c8g1.2xlarge。核心配置前者通常配备 NVIDIA T4 GPU (16GB显存)后者可能配备更强大的 GPU如 A10。T4 对于 MogFace 和大多数 CV 任务来说已经绰绰有余性价比很高。如何选择在阿里云控制台创建 ECS 实例时在“实例规格”筛选条件中选择“GPU计算型”即可找到上述规格。AWS EC2 (Elastic Compute Cloud)推荐实例g4dn.xlarge或g5.xlarge。核心配置g4dn.xlarge配备 NVIDIA T4 GPU与阿里云 T4 实例类似。g5.xlarge则配备 NVIDIA A10G GPU性能更强。如何选择在 AWS 管理控制台启动 EC2 实例时在“Amazon Machine Image (AMI)”和“实例类型”中筛选出带有 GPU 的选项。选择建议对于初次尝试或预算有限的情况阿里云的ecs.gn6i-c4g1.xlarge或 AWS 的g4dn.xlarge是绝佳的起点。它们都提供了足够的计算能力和显存来流畅运行 MogFace。2.2 系统镜像与安全组配置选好实例规格后还有两个关键配置系统镜像 (AMI/Image)强烈推荐选择 Ubuntu 20.04 或 22.04 LTS。这是深度学习社区最常用、支持最好的系统之一能避免很多依赖库的兼容性问题。在创建实例时选择相应的 Ubuntu 版本即可。安全组 (Security Group) 这是云服务器的虚拟防火墙。我们需要开放两个端口SSH (端口 22)用于远程连接服务器。务必将其源IP限制为你自己的公网IP例如你的IP地址/32不要对全网 (0.0.0.0/0) 开放以提升安全性。自定义TCP (端口 8501)这是 Streamlit 应用的默认运行端口。你可以暂时对全网开放 (0.0.0.0/0)以便通过浏览器访问。部署完成后可以考虑限制访问源。完成购买和启动后记下你的云服务器的公网IP地址我们马上要用到它。3. 远程连接与基础环境搭建现在我们通过 SSH 连接到你的云服务器并搭建 Python 和 CUDA 环境。3.1 连接到你的云服务器打开你电脑上的终端Linux/macOS或 PowerShell/CMDWindows使用 SSH 命令连接。你需要将你的公网IP替换为上一节记下的地址。ssh root你的公网IP如果是 Ubuntu 系统默认用户可能是ubuntussh ubuntu你的公网IP连接时会提示你输入创建实例时设置密钥对的私钥密码或者直接通过密钥文件登录。3.2 安装 Python、Pip 与 CUDA 工具包连接成功后我们首先更新系统包并安装必要的软件。# 更新软件包列表 sudo apt-get update sudo apt-get upgrade -y # 安装 Python3 和 Pip3 (Ubuntu 20.04/22.04 通常已预装但确保一下) sudo apt-get install -y python3 python3-pip # 安装 NVIDIA CUDA 工具包以Ubuntu 22.04为例安装CUDA 11.8 # 首先添加NVIDIA包仓库 wget https://developer.download.nvidia.com/compute/cuda/repos/ubuntu2204/x86_64/cuda-keyring_1.1-1_all.deb sudo dpkg -i cuda-keyring_1.1-1_all.deb sudo apt-get update # 安装CUDA工具包这是一个精简版本包含驱动和基础工具 sudo apt-get install -y cuda-toolkit-11-8 # 安装完成后将CUDA路径加入环境变量写入 ~/.bashrc echo export PATH/usr/local/cuda-11.8/bin${PATH::${PATH}} ~/.bashrc echo export LD_LIBRARY_PATH/usr/local/cuda-11.8/lib64${LD_LIBRARY_PATH::${LD_LIBRARY_PATH}} ~/.bashrc source ~/.bashrc安装完成后可以验证一下# 检查Python和Pip版本 python3 --version pip3 --version # 检查NVIDIA驱动和CUDA版本 nvidia-smi nvcc --version如果nvidia-smi能正确显示你的 GPU 信息如 T4并且nvcc --version显示 CUDA 11.8那么恭喜你GPU 环境已经就绪。4. MogFace 工具部署与运行基础环境搞定后我们来部署核心的人脸检测工具。4.1 获取项目代码与模型首先我们创建一个工作目录并获取 MogFace 的应用代码。# 创建一个项目目录 mkdir -p ~/mogface_app cd ~/mogface_app # 这里假设你已经将 app.py 和 requirements.txt 等文件准备好了。 # 你可以通过 git clone 你的仓库或者使用 scp 从本地上传。 # 例如使用 scp 从本地传文件到服务器在本地终端执行 # scp -i /path/to/your-key.pem ./app.py ./requirements.txt ubuntu你的公网IP:~/mogface_app/接下来是最关键的一步准备模型文件。根据描述模型需要放在绝对路径/root/ai-models/iic/cv_resnet101_face-detection_cvpr22papermogface。我们以ubuntu用户为例可能需要调整路径或权限。# 创建模型存放目录 sudo mkdir -p /root/ai-models/iic/ # 假设你的模型文件已经下载到本地使用 scp 上传到服务器在本地执行 # scp -i /path/to/your-key.pem -r ./cv_resnet101_face-detection_cvpr22papermogface/ ubuntu你的公网IP:/tmp/ # 在服务器上将模型文件移动到指定目录需要sudo权限 sudo mv /tmp/cv_resnet101_face-detection_cvpr22papermogface /root/ai-models/iic/ # 检查模型目录是否存在必要的文件如 configuration.json, pytorch_model.bin 等 sudo ls -la /root/ai-models/iic/cv_resnet101_face-detection_cvpr22papermogface/重要提示确保模型目录下有configuration.json和模型权重文件如pytorch_model.bin或*.safetensors。这是 ModelScope Pipeline 正确加载模型所必需的。4.2 安装 Python 依赖包在项目目录下通常有一个requirements.txt文件列出了所有需要的 Python 库。我们来安装它们。# 确保在项目目录 ~/mogface_app 下 cd ~/mogface_app # 升级 pip 并安装依赖 pip3 install --upgrade pip pip3 install -r requirements.txt如果requirements.txt内容如下或类似modelscope opencv-python-headless torch torchvision streamlit Pillow numpypip会自动安装所有依赖。其中modelscope是核心的模型加载框架opencv-python-headless是图像处理库无GUI版本适合服务器torch是 PyTorch 深度学习框架。4.3 编写并验证应用文件确保你的app.py文件内容正确。下面是一个基于描述的简化示例用于验证流程# app.py import streamlit as st from modelscope.pipelines import pipeline from modelscope.utils.constant import Tasks from PIL import Image import cv2 import numpy as np import json # 设置页面为宽屏模式 st.set_page_config(layoutwide) st.title(️ MogFace 智能人脸检测) # 使用缓存资源加载模型避免重复加载 st.cache_resource def load_model(): model_dir /root/ai-models/iic/cv_resnet101_face-detection_cvpr22papermogface # 创建人脸检测 pipeline face_detection pipeline(Tasks.face_detection, modelmodel_dir, devicecuda:0) return face_detection # 加载模型 try: face_detector load_model() st.sidebar.success(✅ MogFace 模型加载成功) except Exception as e: st.sidebar.error(f❌ 模型加载失败: {e}) st.stop() # 双列布局 col1, col2 st.columns(2) with col1: st.header( 上传图片) uploaded_file st.file_uploader(选择一张图片..., type[jpg, jpeg, png]) if uploaded_file is not None: image Image.open(uploaded_file) st.image(image, caption上传的图片, use_column_widthTrue) # 转换为OpenCV格式 (BGR) opencv_image cv2.cvtColor(np.array(image), cv2.COLOR_RGB2BGR) with col2: st.header( 检测结果) if uploaded_file is not None and st.button( 开始检测, typeprimary): with st.spinner(正在检测人脸...): # 执行人脸检测 result face_detector(opencv_image) # 绘制检测框 result_image opencv_image.copy() detection_boxes [] if boxes in result: for box in result[boxes]: x1, y1, x2, y2, score map(int, box[:4]), box[4] # 前4个是坐标第5个是置信度 # 绘制矩形框 cv2.rectangle(result_image, (x1, y1), (x2, y2), (0, 255, 0), 2) # 绘制置信度 label f{score:.2f} cv2.putText(result_image, label, (x1, y1-10), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0, 255, 0), 2) detection_boxes.append({ bbox: [int(x1), int(y1), int(x2), int(y2)], score: float(score) }) # 显示结果图片 result_image_rgb cv2.cvtColor(result_image, cv2.COLOR_BGR2RGB) st.image(result_image_rgb, captionf检测到 {len(detection_boxes)} 张人脸, use_column_widthTrue) # 显示原始JSON数据 with st.expander(查看原始检测数据 (JSON)): st.json(detection_boxes) # 侧边栏信息 st.sidebar.header(⚙️ 模型信息) st.sidebar.write(**架构**: MogFace ResNet101) st.sidebar.write(**硬件**: GPU (CUDA) 加速) if st.sidebar.button(清理缓存/重置): st.cache_resource.clear() st.rerun()4.4 运行 Streamlit 应用一切就绪后就可以运行应用了。Streamlit 默认会在8501端口启动一个本地服务。# 在项目目录下运行 streamlit run app.py --server.port 8501 --server.address 0.0.0.0--server.port 8501指定运行端口。--server.address 0.0.0.0允许所有网络接口访问这样你才能通过公网IP在浏览器中访问。运行后终端会显示一个本地 URL (http://localhost:8501) 和一个网络 URL (http://你的服务器内网IP:8501)。最重要的是它会显示Network URL: http://你的公网IP:8501。现在打开你电脑的浏览器输入http://你的公网IP:8501就能看到 MogFace 人脸检测工具的界面了让应用在后台运行关闭 SSH 终端窗口会导致应用停止。我们可以使用nohup或tmux让它在后台持续运行。# 使用 nohup nohup streamlit run app.py --server.port 8501 --server.address 0.0.0.0 streamlit.log 21 # 或者使用 tmux更推荐便于管理 # 1. 安装 tmux: sudo apt-get install tmux # 2. 新建会话: tmux new -s mogface # 3. 在tmux会话中启动应用: streamlit run app.py --server.port 8501 --server.address 0.0.0.0 # 4. 按 CtrlB然后按 D 分离会话应用在后台运行 # 5. 想重新连接查看: tmux attach -t mogface5. 使用指南与效果验证应用成功运行后让我们来实际体验一下它的功能。5.1 界面与功能概览打开浏览器中的应用界面你会看到一个清晰的宽屏双列布局左侧上传区点击“Browse files”或拖拽上传一张包含人脸的图片。支持 JPG、PNG 格式。上传后图片会立即预览。右侧结果区初始为空。上传图片后点击蓝色的“开始检测”按钮这里会显示检测结果。侧边栏显示当前使用的模型信息MogFace ResNet101并提供一个“清理缓存/重置”按钮用于释放资源或重启应用状态。5.2 进行人脸检测上传图片在左侧上传一张测试图片。可以是单人肖像也可以是多人合影甚至是带有侧脸、遮挡的复杂场景图片。启动检测点击“ 开始检测”按钮。你会看到页面有加载提示“正在检测人脸...”。查看结果视觉结果右侧会展示原图所有检测到的人脸都会被绿色的矩形框标出框的上方还会显示一个置信度分数如0.99。数据结果在结果图下方有一个“查看原始检测数据 (JSON)”的展开栏。点击它你会看到每个检测框的精确坐标[x1, y1, x2, y2]和对应的置信度score。这些数据可以直接被你自己的程序调用用于后续处理。5.3 验证复杂场景表现这正是 MogFace 的强项。你可以尝试上传一些具有挑战性的图片大角度人脸侧脸超过90度的照片。遮挡人脸戴墨镜、口罩或被前景物体部分遮挡的人脸。小尺寸人脸距离很远在图片中占比很小的人脸。密集人群背景复杂、人脸密集的合照。观察 MogFace 是否能够准确地定位出这些人脸。你会发现相比一些通用检测器MogFace 在这些“困难样本”上的漏检和误检都更少置信度分数也通常更高这得益于其在 CVPR 2022 论文中提出的针对性优化。6. 总结通过以上步骤我们成功在阿里云或 AWS 的 GPU 云服务器上部署并运行了基于 CVPR 2022 MogFace 模型的高性能人脸检测工具。我们来回顾一下关键点云实例选择对于此类视觉模型选择配备 NVIDIA T4 或同等及以上 GPU 的实例如阿里云gn6i/gn7i AWSg4dn/g5系列能获得最佳性价比。环境配置安装正确的 CUDA 工具包和 Python 依赖特别是modelscope和torch是模型能够利用 GPU 加速的基础。模型部署核心在于将模型文件正确放置在代码指定的路径并通过 ModelScope Pipeline 进行加载。Streamlit 则为我们提供了极其友好、免开发的前端界面。工具价值这个部署好的工具不仅仅是一个演示。它提供了一个开箱即用、带可视化界面、并能输出精准坐标数据的完整解决方案。你可以将其用于人脸数据预处理自动从大量图片中裁剪出人脸区域。安防监控分析快速分析监控截图或视频帧中的人脸位置。学术研究验证作为新算法的一个强大基线Baseline对比工具。这个部署过程本身也是一个标准的深度学习应用上云流程的缩影。掌握了它你就能将更多的 AI 模型转化为随时可用的在线服务。获取更多AI镜像想探索更多AI镜像和应用场景访问 CSDN星图镜像广场提供丰富的预置镜像覆盖大模型推理、图像生成、视频生成、模型微调等多个领域支持一键部署。
cv_resnet101_face-detection_cvpr22papermogface部署教程：云服务器（阿里云/AWS）GPU实例配置
发布时间：2026/7/6 12:45:08
cv_resnet101_face-detection_cvpr22papermogface部署教程云服务器阿里云/AWSGPU实例配置1. 引言如果你正在寻找一个能在复杂环境下精准识别人脸的工具那么今天要介绍的 MogFace 人脸检测模型可能就是你的理想选择。这个基于 CVPR 2022 论文的模型专门针对大角度旋转、遮挡、极小尺寸等棘手场景进行了优化检测精度相当出色。想象一下你需要从一张拥挤的聚会照片里找出所有人脸或者从一段模糊的监控视频中定位关键人物。传统方法可能力不从心但 MogFace 却能轻松应对。更棒的是它被封装成了一个带有 Streamlit 界面的工具支持图片一键上传、实时检测、结果标注和数据导出让复杂的人脸检测任务变得像点几下鼠标一样简单。本文将手把手教你如何在阿里云或 AWS 的云服务器上配置一个带 GPU 的实例并部署这个强大的 MogFace 人脸检测工具。无论你是计算机视觉的初学者还是需要为安防分析、人脸预处理等任务寻找高效解决方案的开发者这篇教程都将为你提供清晰的路径。2. 环境准备选择并配置云服务器部署深度学习应用尤其是视觉模型一块好的 GPU 能带来质的飞跃。云服务器为我们提供了灵活、强大的选择。这里我们以阿里云和 AWS 为例讲解如何选择并配置合适的实例。2.1 云服务商与实例选择你的选择主要取决于预算、对特定云服务的熟悉程度以及模型对显存的需求。MogFace 基于 ResNet101属于中等规模的视觉模型。阿里云 ECS (Elastic Compute Service)推荐实例ecs.gn6i-c4g1.xlarge或ecs.gn7i-c8g1.2xlarge。核心配置前者通常配备 NVIDIA T4 GPU (16GB显存)后者可能配备更强大的 GPU如 A10。T4 对于 MogFace 和大多数 CV 任务来说已经绰绰有余性价比很高。如何选择在阿里云控制台创建 ECS 实例时在“实例规格”筛选条件中选择“GPU计算型”即可找到上述规格。AWS EC2 (Elastic Compute Cloud)推荐实例g4dn.xlarge或g5.xlarge。核心配置g4dn.xlarge配备 NVIDIA T4 GPU与阿里云 T4 实例类似。g5.xlarge则配备 NVIDIA A10G GPU性能更强。如何选择在 AWS 管理控制台启动 EC2 实例时在“Amazon Machine Image (AMI)”和“实例类型”中筛选出带有 GPU 的选项。选择建议对于初次尝试或预算有限的情况阿里云的ecs.gn6i-c4g1.xlarge或 AWS 的g4dn.xlarge是绝佳的起点。它们都提供了足够的计算能力和显存来流畅运行 MogFace。2.2 系统镜像与安全组配置选好实例规格后还有两个关键配置系统镜像 (AMI/Image)强烈推荐选择 Ubuntu 20.04 或 22.04 LTS。这是深度学习社区最常用、支持最好的系统之一能避免很多依赖库的兼容性问题。在创建实例时选择相应的 Ubuntu 版本即可。安全组 (Security Group) 这是云服务器的虚拟防火墙。我们需要开放两个端口SSH (端口 22)用于远程连接服务器。务必将其源IP限制为你自己的公网IP例如你的IP地址/32不要对全网 (0.0.0.0/0) 开放以提升安全性。自定义TCP (端口 8501)这是 Streamlit 应用的默认运行端口。你可以暂时对全网开放 (0.0.0.0/0)以便通过浏览器访问。部署完成后可以考虑限制访问源。完成购买和启动后记下你的云服务器的公网IP地址我们马上要用到它。3. 远程连接与基础环境搭建现在我们通过 SSH 连接到你的云服务器并搭建 Python 和 CUDA 环境。3.1 连接到你的云服务器打开你电脑上的终端Linux/macOS或 PowerShell/CMDWindows使用 SSH 命令连接。你需要将你的公网IP替换为上一节记下的地址。ssh root你的公网IP如果是 Ubuntu 系统默认用户可能是ubuntussh ubuntu你的公网IP连接时会提示你输入创建实例时设置密钥对的私钥密码或者直接通过密钥文件登录。3.2 安装 Python、Pip 与 CUDA 工具包连接成功后我们首先更新系统包并安装必要的软件。# 更新软件包列表 sudo apt-get update sudo apt-get upgrade -y # 安装 Python3 和 Pip3 (Ubuntu 20.04/22.04 通常已预装但确保一下) sudo apt-get install -y python3 python3-pip # 安装 NVIDIA CUDA 工具包以Ubuntu 22.04为例安装CUDA 11.8 # 首先添加NVIDIA包仓库 wget https://developer.download.nvidia.com/compute/cuda/repos/ubuntu2204/x86_64/cuda-keyring_1.1-1_all.deb sudo dpkg -i cuda-keyring_1.1-1_all.deb sudo apt-get update # 安装CUDA工具包这是一个精简版本包含驱动和基础工具 sudo apt-get install -y cuda-toolkit-11-8 # 安装完成后将CUDA路径加入环境变量写入 ~/.bashrc echo export PATH/usr/local/cuda-11.8/bin${PATH::${PATH}} ~/.bashrc echo export LD_LIBRARY_PATH/usr/local/cuda-11.8/lib64${LD_LIBRARY_PATH::${LD_LIBRARY_PATH}} ~/.bashrc source ~/.bashrc安装完成后可以验证一下# 检查Python和Pip版本 python3 --version pip3 --version # 检查NVIDIA驱动和CUDA版本 nvidia-smi nvcc --version如果nvidia-smi能正确显示你的 GPU 信息如 T4并且nvcc --version显示 CUDA 11.8那么恭喜你GPU 环境已经就绪。4. MogFace 工具部署与运行基础环境搞定后我们来部署核心的人脸检测工具。4.1 获取项目代码与模型首先我们创建一个工作目录并获取 MogFace 的应用代码。# 创建一个项目目录 mkdir -p ~/mogface_app cd ~/mogface_app # 这里假设你已经将 app.py 和 requirements.txt 等文件准备好了。 # 你可以通过 git clone 你的仓库或者使用 scp 从本地上传。 # 例如使用 scp 从本地传文件到服务器在本地终端执行 # scp -i /path/to/your-key.pem ./app.py ./requirements.txt ubuntu你的公网IP:~/mogface_app/接下来是最关键的一步准备模型文件。根据描述模型需要放在绝对路径/root/ai-models/iic/cv_resnet101_face-detection_cvpr22papermogface。我们以ubuntu用户为例可能需要调整路径或权限。# 创建模型存放目录 sudo mkdir -p /root/ai-models/iic/ # 假设你的模型文件已经下载到本地使用 scp 上传到服务器在本地执行 # scp -i /path/to/your-key.pem -r ./cv_resnet101_face-detection_cvpr22papermogface/ ubuntu你的公网IP:/tmp/ # 在服务器上将模型文件移动到指定目录需要sudo权限 sudo mv /tmp/cv_resnet101_face-detection_cvpr22papermogface /root/ai-models/iic/ # 检查模型目录是否存在必要的文件如 configuration.json, pytorch_model.bin 等 sudo ls -la /root/ai-models/iic/cv_resnet101_face-detection_cvpr22papermogface/重要提示确保模型目录下有configuration.json和模型权重文件如pytorch_model.bin或*.safetensors。这是 ModelScope Pipeline 正确加载模型所必需的。4.2 安装 Python 依赖包在项目目录下通常有一个requirements.txt文件列出了所有需要的 Python 库。我们来安装它们。# 确保在项目目录 ~/mogface_app 下 cd ~/mogface_app # 升级 pip 并安装依赖 pip3 install --upgrade pip pip3 install -r requirements.txt如果requirements.txt内容如下或类似modelscope opencv-python-headless torch torchvision streamlit Pillow numpypip会自动安装所有依赖。其中modelscope是核心的模型加载框架opencv-python-headless是图像处理库无GUI版本适合服务器torch是 PyTorch 深度学习框架。4.3 编写并验证应用文件确保你的app.py文件内容正确。下面是一个基于描述的简化示例用于验证流程# app.py import streamlit as st from modelscope.pipelines import pipeline from modelscope.utils.constant import Tasks from PIL import Image import cv2 import numpy as np import json # 设置页面为宽屏模式 st.set_page_config(layoutwide) st.title(️ MogFace 智能人脸检测) # 使用缓存资源加载模型避免重复加载 st.cache_resource def load_model(): model_dir /root/ai-models/iic/cv_resnet101_face-detection_cvpr22papermogface # 创建人脸检测 pipeline face_detection pipeline(Tasks.face_detection, modelmodel_dir, devicecuda:0) return face_detection # 加载模型 try: face_detector load_model() st.sidebar.success(✅ MogFace 模型加载成功) except Exception as e: st.sidebar.error(f❌ 模型加载失败: {e}) st.stop() # 双列布局 col1, col2 st.columns(2) with col1: st.header( 上传图片) uploaded_file st.file_uploader(选择一张图片..., type[jpg, jpeg, png]) if uploaded_file is not None: image Image.open(uploaded_file) st.image(image, caption上传的图片, use_column_widthTrue) # 转换为OpenCV格式 (BGR) opencv_image cv2.cvtColor(np.array(image), cv2.COLOR_RGB2BGR) with col2: st.header( 检测结果) if uploaded_file is not None and st.button( 开始检测, typeprimary): with st.spinner(正在检测人脸...): # 执行人脸检测 result face_detector(opencv_image) # 绘制检测框 result_image opencv_image.copy() detection_boxes [] if boxes in result: for box in result[boxes]: x1, y1, x2, y2, score map(int, box[:4]), box[4] # 前4个是坐标第5个是置信度 # 绘制矩形框 cv2.rectangle(result_image, (x1, y1), (x2, y2), (0, 255, 0), 2) # 绘制置信度 label f{score:.2f} cv2.putText(result_image, label, (x1, y1-10), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0, 255, 0), 2) detection_boxes.append({ bbox: [int(x1), int(y1), int(x2), int(y2)], score: float(score) }) # 显示结果图片 result_image_rgb cv2.cvtColor(result_image, cv2.COLOR_BGR2RGB) st.image(result_image_rgb, captionf检测到 {len(detection_boxes)} 张人脸, use_column_widthTrue) # 显示原始JSON数据 with st.expander(查看原始检测数据 (JSON)): st.json(detection_boxes) # 侧边栏信息 st.sidebar.header(⚙️ 模型信息) st.sidebar.write(**架构**: MogFace ResNet101) st.sidebar.write(**硬件**: GPU (CUDA) 加速) if st.sidebar.button(清理缓存/重置): st.cache_resource.clear() st.rerun()4.4 运行 Streamlit 应用一切就绪后就可以运行应用了。Streamlit 默认会在8501端口启动一个本地服务。# 在项目目录下运行 streamlit run app.py --server.port 8501 --server.address 0.0.0.0--server.port 8501指定运行端口。--server.address 0.0.0.0允许所有网络接口访问这样你才能通过公网IP在浏览器中访问。运行后终端会显示一个本地 URL (http://localhost:8501) 和一个网络 URL (http://你的服务器内网IP:8501)。最重要的是它会显示Network URL: http://你的公网IP:8501。现在打开你电脑的浏览器输入http://你的公网IP:8501就能看到 MogFace 人脸检测工具的界面了让应用在后台运行关闭 SSH 终端窗口会导致应用停止。我们可以使用nohup或tmux让它在后台持续运行。# 使用 nohup nohup streamlit run app.py --server.port 8501 --server.address 0.0.0.0 streamlit.log 21 # 或者使用 tmux更推荐便于管理 # 1. 安装 tmux: sudo apt-get install tmux # 2. 新建会话: tmux new -s mogface # 3. 在tmux会话中启动应用: streamlit run app.py --server.port 8501 --server.address 0.0.0.0 # 4. 按 CtrlB然后按 D 分离会话应用在后台运行 # 5. 想重新连接查看: tmux attach -t mogface5. 使用指南与效果验证应用成功运行后让我们来实际体验一下它的功能。5.1 界面与功能概览打开浏览器中的应用界面你会看到一个清晰的宽屏双列布局左侧上传区点击“Browse files”或拖拽上传一张包含人脸的图片。支持 JPG、PNG 格式。上传后图片会立即预览。右侧结果区初始为空。上传图片后点击蓝色的“开始检测”按钮这里会显示检测结果。侧边栏显示当前使用的模型信息MogFace ResNet101并提供一个“清理缓存/重置”按钮用于释放资源或重启应用状态。5.2 进行人脸检测上传图片在左侧上传一张测试图片。可以是单人肖像也可以是多人合影甚至是带有侧脸、遮挡的复杂场景图片。启动检测点击“ 开始检测”按钮。你会看到页面有加载提示“正在检测人脸...”。查看结果视觉结果右侧会展示原图所有检测到的人脸都会被绿色的矩形框标出框的上方还会显示一个置信度分数如0.99。数据结果在结果图下方有一个“查看原始检测数据 (JSON)”的展开栏。点击它你会看到每个检测框的精确坐标[x1, y1, x2, y2]和对应的置信度score。这些数据可以直接被你自己的程序调用用于后续处理。5.3 验证复杂场景表现这正是 MogFace 的强项。你可以尝试上传一些具有挑战性的图片大角度人脸侧脸超过90度的照片。遮挡人脸戴墨镜、口罩或被前景物体部分遮挡的人脸。小尺寸人脸距离很远在图片中占比很小的人脸。密集人群背景复杂、人脸密集的合照。观察 MogFace 是否能够准确地定位出这些人脸。你会发现相比一些通用检测器MogFace 在这些“困难样本”上的漏检和误检都更少置信度分数也通常更高这得益于其在 CVPR 2022 论文中提出的针对性优化。6. 总结通过以上步骤我们成功在阿里云或 AWS 的 GPU 云服务器上部署并运行了基于 CVPR 2022 MogFace 模型的高性能人脸检测工具。我们来回顾一下关键点云实例选择对于此类视觉模型选择配备 NVIDIA T4 或同等及以上 GPU 的实例如阿里云gn6i/gn7i AWSg4dn/g5系列能获得最佳性价比。环境配置安装正确的 CUDA 工具包和 Python 依赖特别是modelscope和torch是模型能够利用 GPU 加速的基础。模型部署核心在于将模型文件正确放置在代码指定的路径并通过 ModelScope Pipeline 进行加载。Streamlit 则为我们提供了极其友好、免开发的前端界面。工具价值这个部署好的工具不仅仅是一个演示。它提供了一个开箱即用、带可视化界面、并能输出精准坐标数据的完整解决方案。你可以将其用于人脸数据预处理自动从大量图片中裁剪出人脸区域。安防监控分析快速分析监控截图或视频帧中的人脸位置。学术研究验证作为新算法的一个强大基线Baseline对比工具。这个部署过程本身也是一个标准的深度学习应用上云流程的缩影。掌握了它你就能将更多的 AI 模型转化为随时可用的在线服务。获取更多AI镜像想探索更多AI镜像和应用场景访问 CSDN星图镜像广场提供丰富的预置镜像覆盖大模型推理、图像生成、视频生成、模型微调等多个领域支持一键部署。
 获取与实战)
