疫情特殊时期百度大厂展现社会责任感，组织团队加班加点基于他们自己的人脸识别模型pyramidbox弄出了准确率比较高的口罩识别模型,安装paddlepaddle和paddlehub后就可把模型下载到本地免费使用，模型有server版还有mobile版，并且提供了python调用示例代码，这个很赞。
据说腾讯优图也弄出了识别口罩佩戴准确率99%的模型，正在准备上线到云服务，期待两家的都试用一下PK一下看哪家更牛用哪个，有免费瓜吃我们吃瓜群众当然乐于等着试吃...
百度的口罩识别模型上周公开，因项目急需，我本周一开始安装部署试用，第一版模型试用对正面识别比较准，侧脸就基本全错，百度的团队也在赶工提升模型和paddlehub，周四更新到第二版，测试发现侧脸识别基本可以了，进展也挺神速的，赞啊，不过试用过程中遇到了若干问题，提交给了百度的大牛，迅速做了解决和更新，现在支持GPU的版本基本上可用了，用于演示已经应该差不多了，只是性能还有待提升点，目前在我们的服务器上使用GPU版，识别一张1M多的图需要1.5-2秒，按理说虽然RTX2080TI GPU比不上Telsa v100那样的，但算力也算不错了，性能这点感觉百度模型或者paddlehub封装程序还有待提升的地方，大厂的团队后面能持续改进一下就很赞了。不过话说回来，免费的瓜还有啥好计较的，看跟我对接的老师/大牛也是在线工作到很晚还在回答我提交的问题，改正hub错误的地方发改好的版本给我试用，技术人尤其热爱技术的人都不容易啊，就算公司没要求加晚班自己也会手痒根本停不下来，哈哈...
记录一下怎么安装百度的paddlepaddle和paddlehub以及口罩识别模型：
百度的paddlepaddle官网https://www.paddlepaddle.org.cn/上面提供了类似pytorch那样的安装环境配置选择的界面，很方便，根据你需要安装的环境选择OS、Python版本、CUDA版本以及安装方式(pip、conda、docker、build from source)，选好后下面会出现对应的一条或多条命令，拷贝这些命令依次执行就行了。
安装方式我现在每次都毫不犹豫的选择docker，为么？ 对于安装环境所在的机器上，如果只打算安装部署一种模型或框架，那么安装python后使用pip安装到默认路径下就行了，如果打算使用多个不同框架(tensorflow/pytorch/caffe/paddlepaddle...，到目前为止我只用过这四种，其他的微软和亚马逊的没用过，但看过一点示例代码感觉搞法都相似差不多)以及多种不同模型的训练环境，个人机器上用用，可以考虑使用conda建立隔离环境，分开安装也基本上能对付了，但是对于公司的企业级部署环境，conda显然不能满足要求，为么呢？conda不支持拷贝发布，换台机器都得安装一遍，你说烦不烦 时间和人力成本高不高，企业级部署当然最好使用docker了，现在的主流深度学习框架都有对应的docker文件不断的更新，拉取对应的版本的image后，创建个实例跑起来，里面框架和相关的必要支持包都给你安装好了，省了大把的安装和解决安装遇到问题的时间，在docker实例上把模型训练或者运行的环境安装好后commit出一个新的image后，就可以在很快在其他安装了docker服务的机器上跑起来，其他什么都不用安装了，这节省了大把时间。同时，同一台服务器上，不同的框架/模型跑在不同的docker实例里，互不干涉，没有支持包版本不兼容冲突之类头疼的问题(有过在同一环境下安装过多个模型环境经历的 一定会对numpy版本不兼容之类引起的错误深恶痛绝 ^_^ )，多好。
根据我的环境选择Ubuntu、docker、Python3、CUDA10后拷贝下面的命令到服务器上执行：
nvidia-docker pull hub.baidubce.com/paddlepaddle/paddle:1.6.3-gpu-cuda10.0-cudnn7
等下载完毕后，执行docker images，可以看到大小有12.3G的image:
hub.baidubce.com/paddlepaddle/paddle 1.6.3-gpu-cuda10.0-cudnn7 e3895a23df3d
然后执行下面的命令创建和运行实例(映射的端口8866是为模型以server方式部署时准备的)：
nvidia-docker run --name paddle -it -v /home/arnold/AI/pphub:/paddle -p 8866:8866 hub.baidubce.com/paddlepaddle/paddle:1.6.3-gpu-cuda10.0-cudnn7 /bin/bash
实例启动后进入python3.5，并验证paddlepaddle可运行:
import paddle.fluid
paddle.fluid.install_check.run_check()
提示你安装成功或者提示只能用单机版:Your Paddle Fluid is installed successfully ONLY for SINGLE GPU or CPU! 中间报错一大堆说什么NCCL没安装之类的可以不理 ，就可以用了，如果你不需要使用多GPU做分布式训练的话。
如果要安装NCCL的话，执行下面的命令安装2.4.8-1版nccl，不要安装最新的2.5.6-1版，因为paddlepaddle docker里安装的就是2.4.8-1，看来这个版本是没有兼容性问题的，盲目安装高了就出现NCCL没安装之类的这样那样的报错：
sudo apt install libnccl2=2.4.8-1+cuda10.0 libnccl-dev=2.4.8-1+cuda10.0
下面安装调用口罩识别模型所需的paddlehub，先更新一下pip和setuptools，否则安装过程中可能会报错:
pip3 install --upgrade pip
pip3 install --upgrade setuptools
pip3 install paddlehub
安装完了paddlehub，再安装一下 vim(必须品)和git(可选，下载源码才需要)之类的工具:
apt-get install vim
paddlepaddle和paddlehub都安装好了，那么怎么下载模型呢？下载模型隐藏在代码里！不能单独执行命令下载。
模型可以部署到本地使用代码直接调用，也可以使用paddlehub部署成http server 模式供客户端远程访问，客户端代码使用http post调用，要识别的图片在post中上传。
下面写调用测试代码(这些代码参考百度官网，根据自己情况改写一下就行了)，下面是本地直接调用模型识别图片的代码:
import paddlehub as hub
import paddle.fluid
import cv2
import os
os.environ["CUDA_VISIBLE_DEVICES"]="0" # 推理时想要用到GPU的话一定要有这句话，不然只是要CPU，我觉得这里有点怪，自己去找0号GPU不就行了，猜测可能是CUDA没有提供判断GPU是否被占用的接口？所以paddle只能要求这么干了
#下载(已下载则略过)模型并创建实例,模型文件被下载存放到/root/.paddlehub/modules/下，pyramidbox_lite_mobile_mask用于嵌入式环境，pyramidbox_lite_server_mask用于PC环境，但实际上两个模型都可以在PC上跑:
#hub install pyramidbox_lite_server_mask==1.2.0
hub install pyramidbox_lite_mobile_mask==1.2.0
module = hub.Module(name="pyramidbox_lite_mobile_mask"，version='1.2.0')
#module = hub.Module(name="pyramidbox_lite_server_mask", version='1.2.0')
img_path="/paddle/drdkz/dr-2.jpg"
img=[img_path]
input_dict = {"image": img}
results = module.face_detection(data=input_dict,use_multi_scale=True, shrink=0.6，use_gpu=True,use_cuda=True) #使用GPU时需要加这些红色参数
for result in results:
print(result)
或者:
img_path=["/paddle/drdkz/dr-2.jpg"]
img_data = [cv2.imread(img) for img in img_path]
results=module.face_detection(data={"data":img_data},use_gpu=True,use_cuda=True) #使用GPU时需要加这些红色参数
for result in results:
print(result)
本地直接调用模型需要自己根据结果数据把在图中把标注框画出来：
img = cv2.imread(img_path)
for result in results:
print(result)
data =result['data']
x_min=int(data['left'])
y_min=int(data['top'])
x_max=int(data['right'])
y_max=int(data['bottom'])
#print(x_min,y_min,x_max,y_max)
text=data['label']+" "+ str(round(float(data['confidence']),2))
cv2.rectangle(img,(x_min,y_min),(x_max,y_max),(0,255,0),3)
cv2.putText(img, text,(x_min,y_min),cv2.FONT_HERSHEY_COMPLEX,0.6,(0,0,255),1)
path,file = os.path.split(img_path)
img_out = path + os.path.sep + "/checked/"+file
cv2.imwrite(img_out,img)
对于使用paddlehub把模型部署到sever端供远程使用http post调用，非常简单，服务端执行(使用GPU需要加上红色部分):
export CUDA_VISIBLE_DEVICES=0
hub serving start -m pyramidbox_lite_server_mask -p 8866 --use_gpu --use_singleprocess
服务启动后在8866监听(前面在启动docker时对此端口对外做了映射以边docker容器外部访问)，然后客户端调用测试代码使用:
import requests
import json
import base64
import os
file_list = ["drdkz/dr-1.jpg"]
files = [("image", (open(item, "rb"))) for item in file_list]
url = "http://127.0.0.1:8866/predict/image/pyramidbox_lite_server_mask"
r = requests.post(url=url, files=files) #如果不需要response中包含识别结果图片的base64数据和文件的path，则
#加上参数 data={"visual_result": "False"}，默认包含
results = eval(r.json()["results"]
print(results)
if not os.path.exists("output"):
os.mkdir("output")
for item in results:
with open(os.path.join("output", item["path"]), "wb") as fp:
fp.write(base64.b64decode(item["base64"].split(',')[-1]))
item.pop("base64")
print(json.dumps(results, indent=4, ensure_ascii=False))
注意这里要识别的文件是以二进制方式上传的，使用其他语言编写时以form的upload方式上传文件即可:
