PaddleHub 初体验

发布时间：2024-11-26 08:39

陶艺初体验：基础瓷器绘画教程 #生活乐趣# #生活体验# #手工艺DIY教程#

#安装paddlehub !pip install paddlehub==1.6.0 -i https://pypi.tuna.tsinghua.edu.cn/simple 12

情感分析

情感倾向分析（Sentiment Classification，简称Senta）针对带有主观描述的中文文本，可自动判断该文本的情感极性类别并给出相应的置信度，能够帮助企业理解用户消费习惯、分析热点话题和危机舆情监控，为企业提供有利的决策支持。

#安装情感分析模型 !hub install senta_lstm==1.1.0 #!hub run senta_lstm --input_text "这家餐厅很难吃" !hub run senta_lstm --input_text "人工智能课程很有趣" 结果： [{'text': '人工智能课程很有趣', 'sentiment_label': 1, 'sentiment_key': 'positive', 'positive_probs': 0.9572, 'negative_probs': 0.0428}] 12345678910

口罩检测

PyramidBox-Lite是基于2018年百度发表于计算机视觉顶级会议ECCV 2018的论文PyramidBox而研发的轻量级模型，模型基于主干网络FaceBoxes，对于光照、口罩遮挡、表情变化、尺度变化等常见问题具有很强的鲁棒性。该PaddleHub Module基于WIDER FACE数据集和百度自采人脸数据集进行训练，支持预测，可用于检测人脸是否佩戴口罩。

#安装口罩检测模型 !hub install pyramidbox_lite_mobile_mask==1.1.0 !hub run pyramidbox_lite_mobile_mask --input_path "data/data31681/test.jpeg" import matplotlib.pyplot as plt import matplotlib.image as mpimg test_img_path = "data/data31681/test.jpeg" img = mpimg.imread(test_img_path) # 展示待预测图片 plt.figure(figsize=(10,10)) plt.imshow(img) plt.axis('off') plt.show() 123456789101112131415

在这里插入图片描述

# 预测结果展示 test_img_path = "./detection_result/test.jpeg" img = mpimg.imread(test_img_path) # 展示预测结果图片 plt.figure(figsize=(10,10)) plt.imshow(img) plt.axis('off') plt.show() 123456789

在这里插入图片描述

Python预测使用

import paddlehub as hub import cv2 module = hub.Module(name="pyramidbox_lite_mobile_mask") test_img_path = "data/data31681/test.jpeg" # set input dict input_dict = {"data": [cv2.imread(test_img_path)]} results = module.face_detection(data=input_dict) print(results) 结果： [{'data': {'label': 'MASK', 'left': 678.9846324920654, 'right': 893.2966804504395, 'top': 241.9092297554016, 'bottom': 487.231333732605, 'confidence': 0.9711812}, 'id': 1}] 123456789101112131415

人像抠图

import paddlehub as hub humanseg = hub.Module(name="deeplabv3p_xception65_humanseg") import matplotlib.pyplot as plt import matplotlib.image as mpimg path = ["data/data31681/test.jpeg"] results = humanseg.segmentation(data={"image":path}) # 预测结果展示 test_img_path = result["processed"] img = mpimg.imread(test_img_path) # 展示预测结果图片 plt.figure(figsize=(10,10)) plt.imshow(img) plt.axis('off') plt.show()

123456789101112131415161718

在这里插入图片描述

风格迁移

import paddlehub as hub import cv2 stylepro_artistic = hub.Module(name="stylepro_artistic") results = stylepro_artistic.style_transfer(images=[{ 'content': cv2.imread("data/data31681/main.png"), 'styles': [cv2.imread("data/data31681/style1.png")]}], alpha = 1.0, visualization = True) # 原图展示 test_img_path = "data/data31681/main.png" img = mpimg.imread(test_img_path) plt.figure(figsize=(10,10)) plt.imshow(img) plt.axis('off') plt.show() # 原图展示 test_img_path = "data/data31681/style1.png" img = mpimg.imread(test_img_path) plt.figure(figsize=(10,10)) plt.imshow(img) plt.axis('off') plt.show()

123456789101112131415161718192021222324252627

在这里插入图片描述

# 预测结果展示 test_img_path = "transfer_result/ndarray_1587809892.1425676.jpg" img = mpimg.imread(test_img_path) # 展示预测结果图片 plt.figure(figsize=(10,10)) plt.imshow(img) plt.axis('off') plt.show() 123456789

在这里插入图片描述