尧图网站建设 
如何用 supervision 对视频帧中的面部做模糊处理保护隐私【免费下载链接】supervisionWe write your reusable computer vision tools. 项目地址: https://gitcode.com/GitHub_Trending/su/supervision当一段视频帧里出现了可识别的人脸而你希望把这段画面用于示例、测试或对外分享时人脸区域需要先做模糊处理。supervision 的官方 cookbook blurring_faces 给出的做法是用 Roboflow Inference 接口调用托管的人脸检测模型拿到检测框再用 supervision 的BlurAnnotator把检测区域模糊掉。整条路径是下载含人物的示例视频 → 取一帧 → 人脸检测 → 模糊 → 目视确认。人脸检测依赖托管接口因此前提是需要一个 Roboflow API key模糊本身在本地完成。安装依赖与准备 API key在能访问 PyPI 的 Python 环境中安装依赖。tqdm用于显示进度条cookbook 注明它在生产代码中是可选的pip3 install -q supervision inference tqdm Pillow12人脸模型face-detection-mik1i/18托管在 Roboflow Universe 上按 cookbook 说明这类模型需要一个 Roboflow API key。注册可免费注册后在 Settings Workspaces Roboflow API 下找到 key然后设置为环境变量ROBOFLOW_API_KEY。cookbook 中的检查方式如下key 缺失时会直接中断import os try: from google.colab import userdata ROBOFLOW_API_KEY userdata.get(ROBOFLOW_API_KEY) or except ImportError: ROBOFLOW_API_KEY os.environ.get(ROBOFLOW_API_KEY, ) assert ROBOFLOW_API_KEY, Set ROBOFLOW_API_KEY in Colab secrets or as env var如果你在 Colab 里运行也可以把 key 存进 Colab secretssecrets 机制见 cookbook 原注记代码里google.colab.userdata分支就是为此准备的。下载示例视频并定位含人脸的帧supervision 自带 assets 下载工具见 docs/assets.mdVideoAssets枚举里提供了若干示例视频其中GROCERY_STORE是一段超市场景视频grocery-store.mp4。cookbook 里作者反复尝试后选定第 800 帧作为测试帧因为该帧中顾客正对镜头。get_video_frames_generator的start参数可以直接从指定位置开始产出帧docs/utils/video.mdimport supervision as sv video sv.download_assets(sv.VideoAssets.GROCERY_STORE) # cookbook 中的说明直接用 start 参数定位到第 800 帧 frame next(sv.get_video_frames_generator(video, start800)) sv.plot_image(frame)download_assets返回视频文件路径后续VideoInfo和帧生成器都用这个变量。如果你的帧来自自己的视频文件把video换成文件路径即可选帧位置也要按你自己视频里人脸出现的帧号来定800 只对这段示例视频成立。用sv.plot_image(frame)先确认这一帧里确实有人脸再进入检测步骤。调用 Roboflow 推理接口检测人脸用inference_sdk的InferenceHTTPClient指向https://detect.roboflow.com对帧做一次推理from inference_sdk import InferenceHTTPClient client InferenceHTTPClient( api_urlhttps://detect.roboflow.com, api_keyROBOFLOW_API_KEY ) results client.infer(frame, model_idface-detection-mik1i/18) print(fDetected {len(results[predictions])} face(s))打印的Detected N face(s)是这一步的核对点它反映接口返回的预测数量results[predictions]的长度。如果数字为 0 或明显偏少问题在检测环节——先确认这一帧是否真的有人脸、key 与model_id是否填对而不是去改模糊参数。cookbook 里还直接print(results)查看完整返回排查时可以保留。用 BlurAnnotator 生成模糊后的帧检测拿到后模糊是三步把推理结果转成sv.Detections构造BlurAnnotator调用annotateblur sv.BlurAnnotator(kernel_size100) detections sv.Detections.from_inference(results) annotated_frame blur.annotate(sceneframe.copy(), detectionsdetections) sv.plot_image(annotated_frame)kernel_size的含义以 BlurAnnotator 的 docstring 为准它是用于模糊的平均池化核尺寸不设置时按检测框较短边的三分之一动态计算显式提供时必须 1。cookbook 在超市视频这类较远的景别下用了100作为示例值保留即可是否合适以sv.plot_image的目视结果判断。scene传frame.copy()是避免在原帧上修改原始帧保留下来方便对比。同一分类下还有像素化的替代方案docs/detection/annotators.md 的 Transformative 小节pixelate_annotator sv.PixelateAnnotator() annotated_frame pixelate_annotator.annotate( sceneimage.copy(), detectionsdetections, )调用方式与BlurAnnotator一致按你对遮挡风格的取舍选用其一即可。确认模糊效果验证方式是视觉核对对同一帧先后sv.plot_image(frame)与sv.plot_image(annotated_frame)模糊后的帧里应满足两点——检测框对应的人脸区域不可辨认框外画面与原帧一致。BlurAnnotator.annotate的 docstring 写明它基于提供的检测结果模糊图像中的区域也就是说模糊范围严格由检测框决定没检出的人脸不会被模糊。因此前面Detected N face(s)的核对结果决定了模糊覆盖范围两步要放在一起看。逐帧处理整段视频可选cookbook 只处理单帧。如果要输出整段脱敏视频docs/detection/annotators.md 中的视频标注示例给出了通用模式VideoInfo.from_video_path读取视频元信息get_video_frames_generator逐帧产出VideoSink写入输出文件。把推理 → 转换 → 模糊套在每帧上video_info sv.VideoInfo.from_video_path(video_pathvideo) frames_generator sv.get_video_frames_generator(video) with sv.VideoSink(target_pathblurred_video.mp4, video_infovideo_info) as sink: for frame in frames_generator: results client.infer(frame, model_idface-detection-mik1i/18) detections sv.Detections.from_inference(results) annotated_frame blur.annotate(sceneframe.copy(), detectionsdetections) sink.write_frame(frameannotated_frame)target_path是你要写出的输出视频路径按需替换这里的blur和client沿用前文已构造的对象。注意这一写法中每一帧都会发起一次client.infer调用处理时长由视频帧数与接口响应共同决定。常见错误与限制key 缺失会命中上文 assert报错Set ROBOFLOW_API_KEY in Colab secrets or as env var。kernel_size 非法传入小于 1 的值时BlurAnnotator抛出ValueError: kernel_size must be 1, got {value}见 源码。视频设了 start 后无法打开get_video_frames_generator提供iterative_seekTrue作为 workaround通过逐帧抓取来定位到start代价是更慢见 源码 docstring。传入 PIL 图像不会模糊annotate的实现中scene不是numpy.ndarray时直接原样返回源码。模糊必须作用在 numpy 帧上这也是上面代码统一用sv.get_video_frames_generator取 numpy 帧、再frame.copy()传入的原因。下一步如果要把这套流程接到真实业务视频替换点只有两处video换成你自己的视频路径、帧循环里按实际场景选择是否每帧都调用检测接口其余代码检测结果转换、模糊、写盘保持不变。【免费下载链接】supervisionWe write your reusable computer vision tools. 项目地址: https://gitcode.com/GitHub_Trending/su/supervision创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 如何用 supervision 对视频帧中的面部做模糊处理保护隐私
如何用 supervision 对视频帧中的面部做模糊处理保护隐私【免费下载链接】supervisionWe write your reusable computer vision tools. 项目地址: https://gitcode.com/GitHub_Trending/su/supervision当一段视频帧里出现了可识别的人脸而你希望把这段画面用于示例、测试或对外分享时人脸区域需要先做模糊处理。supervision 的官方 cookbook blurring_faces 给出的做法是用 Roboflow Inference 接口调用托管的人脸检测模型拿到检测框再用 supervision 的BlurAnnotator把检测区域模糊掉。整条路径是下载含人物的示例视频 → 取一帧 → 人脸检测 → 模糊 → 目视确认。人脸检测依赖托管接口因此前提是需要一个 Roboflow API key模糊本身在本地完成。安装依赖与准备 API key在能访问 PyPI 的 Python 环境中安装依赖。tqdm用于显示进度条cookbook 注明它在生产代码中是可选的pip3 install -q supervision inference tqdm Pillow12人脸模型face-detection-mik1i/18托管在 Roboflow Universe 上按 cookbook 说明这类模型需要一个 Roboflow API key。注册可免费注册后在 Settings Workspaces Roboflow API 下找到 key然后设置为环境变量ROBOFLOW_API_KEY。cookbook 中的检查方式如下key 缺失时会直接中断import os try: from google.colab import userdata ROBOFLOW_API_KEY userdata.get(ROBOFLOW_API_KEY) or except ImportError: ROBOFLOW_API_KEY os.environ.get(ROBOFLOW_API_KEY, ) assert ROBOFLOW_API_KEY, Set ROBOFLOW_API_KEY in Colab secrets or as env var如果你在 Colab 里运行也可以把 key 存进 Colab secretssecrets 机制见 cookbook 原注记代码里google.colab.userdata分支就是为此准备的。下载示例视频并定位含人脸的帧supervision 自带 assets 下载工具见 docs/assets.mdVideoAssets枚举里提供了若干示例视频其中GROCERY_STORE是一段超市场景视频grocery-store.mp4。cookbook 里作者反复尝试后选定第 800 帧作为测试帧因为该帧中顾客正对镜头。get_video_frames_generator的start参数可以直接从指定位置开始产出帧docs/utils/video.mdimport supervision as sv video sv.download_assets(sv.VideoAssets.GROCERY_STORE) # cookbook 中的说明直接用 start 参数定位到第 800 帧 frame next(sv.get_video_frames_generator(video, start800)) sv.plot_image(frame)download_assets返回视频文件路径后续VideoInfo和帧生成器都用这个变量。如果你的帧来自自己的视频文件把video换成文件路径即可选帧位置也要按你自己视频里人脸出现的帧号来定800 只对这段示例视频成立。用sv.plot_image(frame)先确认这一帧里确实有人脸再进入检测步骤。调用 Roboflow 推理接口检测人脸用inference_sdk的InferenceHTTPClient指向https://detect.roboflow.com对帧做一次推理from inference_sdk import InferenceHTTPClient client InferenceHTTPClient( api_urlhttps://detect.roboflow.com, api_keyROBOFLOW_API_KEY ) results client.infer(frame, model_idface-detection-mik1i/18) print(fDetected {len(results[predictions])} face(s))打印的Detected N face(s)是这一步的核对点它反映接口返回的预测数量results[predictions]的长度。如果数字为 0 或明显偏少问题在检测环节——先确认这一帧是否真的有人脸、key 与model_id是否填对而不是去改模糊参数。cookbook 里还直接print(results)查看完整返回排查时可以保留。用 BlurAnnotator 生成模糊后的帧检测拿到后模糊是三步把推理结果转成sv.Detections构造BlurAnnotator调用annotateblur sv.BlurAnnotator(kernel_size100) detections sv.Detections.from_inference(results) annotated_frame blur.annotate(sceneframe.copy(), detectionsdetections) sv.plot_image(annotated_frame)kernel_size的含义以 BlurAnnotator 的 docstring 为准它是用于模糊的平均池化核尺寸不设置时按检测框较短边的三分之一动态计算显式提供时必须 1。cookbook 在超市视频这类较远的景别下用了100作为示例值保留即可是否合适以sv.plot_image的目视结果判断。scene传frame.copy()是避免在原帧上修改原始帧保留下来方便对比。同一分类下还有像素化的替代方案docs/detection/annotators.md 的 Transformative 小节pixelate_annotator sv.PixelateAnnotator() annotated_frame pixelate_annotator.annotate( sceneimage.copy(), detectionsdetections, )调用方式与BlurAnnotator一致按你对遮挡风格的取舍选用其一即可。确认模糊效果验证方式是视觉核对对同一帧先后sv.plot_image(frame)与sv.plot_image(annotated_frame)模糊后的帧里应满足两点——检测框对应的人脸区域不可辨认框外画面与原帧一致。BlurAnnotator.annotate的 docstring 写明它基于提供的检测结果模糊图像中的区域也就是说模糊范围严格由检测框决定没检出的人脸不会被模糊。因此前面Detected N face(s)的核对结果决定了模糊覆盖范围两步要放在一起看。逐帧处理整段视频可选cookbook 只处理单帧。如果要输出整段脱敏视频docs/detection/annotators.md 中的视频标注示例给出了通用模式VideoInfo.from_video_path读取视频元信息get_video_frames_generator逐帧产出VideoSink写入输出文件。把推理 → 转换 → 模糊套在每帧上video_info sv.VideoInfo.from_video_path(video_pathvideo) frames_generator sv.get_video_frames_generator(video) with sv.VideoSink(target_pathblurred_video.mp4, video_infovideo_info) as sink: for frame in frames_generator: results client.infer(frame, model_idface-detection-mik1i/18) detections sv.Detections.from_inference(results) annotated_frame blur.annotate(sceneframe.copy(), detectionsdetections) sink.write_frame(frameannotated_frame)target_path是你要写出的输出视频路径按需替换这里的blur和client沿用前文已构造的对象。注意这一写法中每一帧都会发起一次client.infer调用处理时长由视频帧数与接口响应共同决定。常见错误与限制key 缺失会命中上文 assert报错Set ROBOFLOW_API_KEY in Colab secrets or as env var。kernel_size 非法传入小于 1 的值时BlurAnnotator抛出ValueError: kernel_size must be 1, got {value}见 源码。视频设了 start 后无法打开get_video_frames_generator提供iterative_seekTrue作为 workaround通过逐帧抓取来定位到start代价是更慢见 源码 docstring。传入 PIL 图像不会模糊annotate的实现中scene不是numpy.ndarray时直接原样返回源码。模糊必须作用在 numpy 帧上这也是上面代码统一用sv.get_video_frames_generator取 numpy 帧、再frame.copy()传入的原因。下一步如果要把这套流程接到真实业务视频替换点只有两处video换成你自己的视频路径、帧循环里按实际场景选择是否每帧都调用检测接口其余代码检测结果转换、模糊、写盘保持不变。【免费下载链接】supervisionWe write your reusable computer vision tools. 项目地址: https://gitcode.com/GitHub_Trending/su/supervision创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考