人工智能计算机视觉深度学习【免费下载链接】yolov8-faceyolov8 face detection with landmark项目地址https://gitcode.com/gh_mirrors/yo/yolov8-face点击查看免费下载本文以官方 YOLOv8 文档首页仓库内 docs/index.md为骨架结合 yolov8-face 仓库的实际源码系统讲解 YOLOv8 的项目定位、快速上手路径、YOLO 系列演进脉络与架构革新并重点落地到人脸检测 人脸关键点landmark这一具体任务从数据集配置、Pose 头实现到 WIDER FACE 评测读者读完即可掌握使用该仓库训练、推理与评估人脸关键点模型的全套实战方法。YOLOv8 是什么实时检测与分割的统一框架Ultralytics YOLOv8 是 YOLO 系列的最新版本官方将其定位为实时目标检测与图像分割模型见 docs/index.md。它建立在深度学习与计算机视觉领域的最新进展之上在速度与精度之间做了针对性设计通过全新骨干网络backbone、无锚框解耦检测头anchor-free split head与新的损失函数在保持模型紧凑和推理速度的同时显著提升检测质量。YOLOv8 的另一个核心特点是强适配性。其流线型设计使其既可以运行在边缘设备如手机、嵌入式板卡上也可以部署到云端 API 服务覆盖从低成本推理到高吞吐服务的不同硬件平台。值得一提的是本仓库 yolov8-face 正是基于这一框架的二次开发项目描述为 yolov8 face detection with landmark即复用 YOLOv8 的 Pose关键点任务范式来实现人脸框 5 个人脸关键点landmark的联合输出。整个仓库保留了 ultralytics 的完整工程结构ultralytics/下的 nn、yolo、models 等模块并额外加入了 WIDER FACE 数据集配置、人脸专用模型定义与评估工具链。快速上手官方文档给出的四个核心入口docs/index.md的 Where to Start 章节给出了四个最直接的起点本文逐一展开并结合仓库内的实际用法说明。安装pip 与仓库源码两种方式官方推荐通过 pip 安装ultralytics包pip install ultralyticspip 会自动安装requirements.txt中列出的全部依赖。对于需要跟随最新代码或像本仓库一样需要自行改动源码进行二次开发的场景则采用克隆源码并执行可编辑安装的方式git clone https://github.com/ultralytics/ultralytics cd ultralytics pip install -e .本仓库 yolov8-face 即属于后一种情况它是 ultralytics 的完整镜像分支在其基础上加入了人脸关键点模型与 WIDER FACE 工具链因此直接在仓库根目录下运行脚本即可例如仓库根目录的 train.py 和 test_widerface.py。提示PyTorch 的安装要求因操作系统和 CUDA 版本而异建议先按照 PyTorch 官方指引安装匹配的 PyTorch 版本再安装 ultralytics。预测对图像与视频进行推理YOLOv8 的推理使用yolo predict命令可对图像、视频、目录甚至在线视频流进行预测。典型用法yolo predict modelyolov8n.pt sourcebus.jpg imgsz640其中imgsz控制输入尺寸conf控制置信度阈值。注意 CLI 参数必须使用argvalue的形式通过空格分隔不能使用--前缀或逗号。在本仓库中单张图片的人脸关键点推理同样通过YOLO类的predict接口完成见 test_widerface.py 中的核心调用model YOLO(runs/pose/yolov8n-face/weights/best.pt) results model.predict(sourceimage_path, imgsz640, conf0.01, iou0.5, devicecpu)训练在自定义数据集上训练新模型官方提供 train 模式用于在自定义数据集上训练模型yolo train datacoco128.yaml modelyolov8n.pt epochs100epochs、lr0、imgsz、batch等超参数均可通过argvalue直接覆盖默认配置完整的参数说明见 配置指南。探索任务detect / segment / classify / pose / trackYOLOv8 是一个多任务框架支持检测、分割、分类、姿态估计与跟踪各任务的详细介绍见 任务总览。本文后续重点展开的 pose关键点任务正是 yolov8-face 人脸 landmark 检测所依赖的任务范式。YOLO 系列演进简史docs/index.md中完整梳理了 YOLO 家族的发展脉络这是理解 YOLOv8 设计动机的背景知识YOLOv22016 年发布在原始 YOLO 基础上引入批归一化batch normalization、锚框anchor boxes与维度聚类dimension clusters显著改善定位精度与训练稳定性。YOLOv32018 年发布采用更高效的骨干网络、多尺度锚框与空间金字塔池化SPP进一步提升了小目标检测能力。YOLOv42020 年发布引入Mosaic 数据增强、新的无锚框检测头与新的损失函数是当时精度与速度平衡的标杆。YOLOv5在工程化上大幅领先新增超参数优化、实验跟踪集成以及向多种导出格式的自动转换成为社区最流行的版本之一。YOLOv62022 年由美团开源被广泛用于美团的自研自动驾驶配送机器人等业务场景。YOLOv7在检测之外新增了基于 COCO keypoints 数据集的姿态估计任务能力。自发布以来YOLO 系列已被广泛应用于自动驾驶、安防监控、医学影像等领域并多次在 COCO 检测挑战赛、DOTA 检测挑战赛等竞赛中获奖。yolov8-face 所在的这一分支则进一步证明YOLO 的 pose 范式可以被低成本地改造为人脸关键点检测这类垂直任务这正是检测框架 → 领域任务的典型迁移路径。YOLOv8 的架构革新与多任务、多模式能力三大核心创新docs/index.md明确指出 YOLOv8 相对前代的三项关键改进这也是其在速度、体积、精度上取得平衡的根本原因全新骨干网络对特征提取主干进行了重构在相同计算预算下获得更强的特征表达能力无锚框解耦头anchor-free split head将分类分支与回归分支解耦并去掉锚框预设简化了训练目标、降低了正负样本匹配复杂度新损失函数结合 DFLDistribution Focal Loss等设计使边框回归更精确。五大视觉任务YOLOv8 原生支持检测、分割、姿态估计、跟踪与分类五类任务对应官方文档中的任务页目标检测detect输出目标类别与边界框是 YOLO 的主任务图像分割segment基于 U-Net 变体输出像素级掩码姿态/关键点估计pose输出人体关节或特定语义点yolov8-face 的人脸 landmark 即复用此任务实时跟踪track在视频流中对目标进行跨帧关联图像分类classify基于 EfficientNet 变体输出类别概率。六大使用模式除任务外YOLOv8 还提供了六个标准工作模式详见 模式总览Train训练、Val验证、Predict推理、Export导出 ONNX/TensorRT 等格式、Track跟踪、Benchmark多格式速度与精度基准测试。后文的人脸关键点流程训练 → 推理 → 评测正是 Train/Predict/Val 模式在垂直场景下的落地。深入 yolov8-face人脸关键点模型的仓库级实现回到本仓库主题。yolov8-face 的核心思路是把 YOLOv8 的 Pose 任务套用到一个类face、5 个关键点的配置上。下面从数据集、模型定义、检测头实现、训练与评测五个维度逐一拆解。数据集配置WIDER FACE 的 YAML 描述仓库在 ultralytics/datasets/widerface.yaml 中定义了人脸训练数据path: /ssd2t/derron/datasets/ # 数据集根目录 train: - widerface/train # 训练集图像目录 val: widerface/val # 验证集图像目录 kpt_shape: [5, 3] # 关键点数量 5每点 3 维 (x, y, visible) flip_idx: [1, 0, 2, 4, 3] # 水平翻转时关键点配对左右对称点互换 names: 0: face # 单一类别人脸这里有两个关键设计kpt_shape: [5, 3]输出 5 个人脸关键点每个关键点携带(x, y, visible)三维信息其中第三维表示该点是否可见训练时用于遮挡样本的监督flip_idx: [1, 0, 2, 4, 3]为数据增强中的水平翻转服务。从配对关系可以推断5 个关键点包含 2 组左右对称点如左右眼、左右嘴角与 1 个中线点如鼻尖翻转后交换对称点索引以保证标注语义一致。WIDER FACE 验证集的标注文件如 data/widerface/val/label.txt以图片路径 每行 (x, y, w, h)的形式组织共 3226 个验证图像路径记录在 data/widerface/val/wider_val.txt 中。模型定义标准版与轻量版标准版基于 ultralytics/models/v8/yolov8-pose.yaml 修改而来将nc设为 1、kpt_shape设为[5, 3]其余骨干C2f SPPF与检测头P3/P4/P5 三尺度结构完全沿用官方 pose 定义最后的检测层为head: ... - [[15, 18, 21], 1, Pose, [nc, kpt_shape]] # Pose(P3, P4, P5)轻量版则是仓库的一大特色面向移动端/嵌入式部署设计了yolov8-lite-t与yolov8-lite-s两个规格见 ultralytics/models/v8/yolov8-lite-t-pose.yaml 与 ultralytics/models/v8/yolov8-lite-s-pose.yaml。它们在骨干中使用StemBlock、Shuffle_BlockShuffleNet 风格的通道混洗 深度可分离卷积并在 Neck 中大量使用DWConvblockdepthwise pointwise 卷积与ADD残差加和以压缩计算量相关模块实现位于 ultralytics/nn/modules/block.py。两个规格分别以 48 与 96 的通道基数起步depth_multiple与width_multiple均取 1.0。检测头Pose 类的关键点输出逻辑人脸框 关键点的联合输出由 ultralytics/nn/modules/head.py 中的Pose类完成。它继承自Detect检测头额外增加一条cv4卷积分支输出关键点热图回归并在kpts_decode中完成关键点坐标解码# 解码逻辑head.py 内 y[:, 0::ndim] (y[:, 0::ndim] * 2.0 (self.anchors[0] - 0.5)) * self.strides y[:, 1::ndim] (y[:, 1::ndim] * 2.0 (self.anchors[1] - 0.5)) * self.strides y[:, 2::3].sigmoid_() # 可见度分支做 sigmoid即关键点的 x、y 通过以锚点为中心的偏移 步长缩放解码到原图坐标可见度通过 sigmoid 映射到 0~1。推理时PosePredictor.postprocess会通过 NMS 过滤检测框并将关键点坐标缩放到原始图像尺寸见 ultralytics/yolo/v8/pose/predict.py。这也解释了为什么最终推理输出中每个检测既包含人脸框与置信度又附带 5 个关键点坐标。下图是该仓库yolov8n-face模型的真实推理效果仓库根目录 data/test.jpgREADME 中用于展示该模型的检测结果训练脚本仓库根目录的一键入口仓库根目录的 train.py 给出了训练入口的完整示例import os os.environ[OMP_NUM_THREADS] 2 from ultralytics import YOLO model YOLO(yolov8s-pose.yaml) # 从 YAML 构建新模型 model YOLO(yolov8s-pose.pt) # 或加载预训练权重推荐用于训练 model.train(datawiderface.yaml, epochs300, imgsz640, batch16, device[0, 1])要点说明预训练权重优先先用官方yolov8s-pose.pt初始化再在 WIDER FACE 上微调能显著加速收敛datawiderface.yaml对应仓库内 ultralytics/datasets/widerface.yaml超参epochs300、imgsz640、batch16并支持device[0, 1]多卡并行若显存有限可减小 batch训练产物权重与日志默认输出到runs/pose/目录。WIDER FACE 评测从推理到 AP 统计的完整链路WIDER FACE 评测是衡量人脸检测器通用性的标准协议。仓库提供了完整的两段式工具链第一步批量推理并生成预测 txt。运行 test_widerface.py它会逐张读取 data/widerface/val/wider_val.txt 中的验证图调用model.predict并把每张图的检测结果按 WIDER FACE 官方格式写入widerface_evaluate/widerface_txt/下对应的 txt 文件图片文件名 检测框数量 x1 y1 w h score # 每行一个框左上角坐标、宽高、置信度该格式与评测脚本 widerface_evaluate/evaluation.py 中read_pred_file的解析逻辑每行 5 个浮点数完全对应。其中--conf-thres默认 0.01、--iou-thres默认 0.5与官方评测习惯一致。第二步执行官方评测脚本。先编译加速模块仓库已附带编译好的bbox.cpython-38-x86_64-linux-gnu.so若环境不同需重新编译python3 setup.py build_ext --inplace python3 evaluation.py -p 预测txt目录 -g ground_truth目录评测脚本会加载 widerface_evaluate/ground_truth/ 下的wider_face_val.mat、wider_easy_val.mat、wider_medium_val.mat、wider_hard_val.mat真值按官方协议以 IoU 匹配预测与标注分别计算Easy / Medium / Hard三档难度的 AP 并打印Easy Val AP: xxx Medium Val AP: xxx Hard Val AP: xxx仓库公开的评测结果仓库 README.md 给出了已训练模型在 WIDER FACE 验证集测试尺寸 640上的公开成绩来自仓库作者的实测数据可直接作为选型参考模型EasyMediumHard权重yolov8-lite-t90.387.572.8官方网盘提供yolov8-lite-s93.491.177.7官方网盘提供yolov8n94.592.279.0官方网盘提供yolov8s96.094.282.6-yolov8m96.695.084.1-可以看到在同为 640 输入的前提下yolov8-lite-t 以最轻量级约 2/3 的计算负担换取了接近 yolov8n 的精度而 yolov8s / yolov8m 在 Easy/Medium 两档上表现更优、Hard 档提升明显。选择建议移动端或低算力设备优先yolov8-lite-t/yolov8-lite-s追求精度且算力充足可选yolov8n/yolov8sHard 档密集小人脸场景则推荐yolov8m。从文档到代码本指南的阅读地图为方便读者继续深入这里汇总本文涉及的关键仓库路径文档首页docs/index.md快速上手docs/quickstart.md模式/任务总览docs/modes/index.md、docs/tasks/index.md训练入口train.py批量推理与评测导出test_widerface.py数据集配置ultralytics/datasets/widerface.yamlWIDER FACE 验证集清单data/widerface/val/wider_val.txt标准模型定义ultralytics/models/v8/yolov8-pose.yaml轻量模型ultralytics/models/v8/yolov8-lite-t-pose.yaml、ultralytics/models/v8/yolov8-lite-s-pose.yaml关键点检测头ultralytics/nn/modules/head.py轻量模块ultralytics/nn/modules/block.py推理后处理ultralytics/yolo/v8/pose/predict.py评测工具widerface_evaluate/evaluation.py、widerface_evaluate/README.md。总结docs/index.md描绘的是一张 YOLOv8 的全景地图统一的多任务框架、六大工作模式以及从边缘到云的适配能力。而 yolov8-face 仓库则证明了这个框架的工程延伸性——通过将 Pose 任务复用于人脸关键点、以 WIDER FACE 作为评测基准、提供yolov8-lite-t/s轻量模型与完整的训练 → 推理 → 评测工具链开发者可以快速获得一套兼具检测框与 5 点 landmark 输出的端侧可用人脸方案。对希望基于 YOLOv8 定制垂直任务的读者而言本仓库是最直观的参考模板改kpt_shape、换数据集、复用 Pose 头即可将通用检测框架迁移到任意关键点场景。赞分享人工智能计算机视觉深度学习【免费下载链接】yolov8-faceyolov8 face detection with landmark项目地址https://gitcode.com/gh_mirrors/yo/yolov8-face点击查看免费下载相关推荐yolov8-face 实战指南基于 WIDER FACE 的人脸检测与 5 点关键点识别yolov8 face 实战指南基于 WIDER FACE 的人脸检测与 5 点关键点识别 本文以开源仓库 yolov8 face https://link.人工智能计算机视觉深度学习Diagram Design与Claude Code集成AI辅助图表生成工作流Diagram Design与Claude Code集成AI辅助图表生成工作流 GitHub 加速计划 / di / diagram design是一个为ClAI 技能数据可视化insightface 基于 PaddlePaddle 的 BlazeFace 人脸检测实战训练、WIDER-FACE 评估与部署全流程解析insightface 基于 PaddlePaddle 的 BlazeFace 人脸检测实战训练、WIDER FACE 评估与部署全流程解析 Arcface人工智能计算机视觉深度学习上一篇如何快速解决文件被占用问题PowerToys File Locksmith完整使用指南下一篇Adobe破解工具终极指南3步免费激活Adobe全家桶2024版创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考