關于人臉的前景提取，目前做的最成熟的就是remove.bg了祥楣，商用的效果確實逆天了寿桨。大家可以看看這張圖，
這張圖人臉提取的難點就是頭發(fā)絲是否處理的絲滑琅坡，重點要看兩側(cè)及頭頂?shù)陌l(fā)絲悉患，看看remove.bg處理后的無底效果
“外國的月亮就是圓”，商用的服務確實厲害榆俺，不過價格上不太親民售躁。在問過gpt之后，它給了一個建議谴仙，可以償試PaddleSeg迂求，地址為https://github.com/PaddlePaddle/PaddleSeg/blob/release/2.8/contrib/PP-HumanSeg/README_cn.md碾盐。仔細閱讀之后晃跺，發(fā)現(xiàn)這個開源的框架真的還不錯，“授人以魚不如授人以漁”毫玖。從模型的準備掀虎，訓練，評估付枫，預測烹玉，導出，部署阐滩，使用二打。一個不少，step by step掂榔。當然继效，現(xiàn)在只是用它的模型測試了一下症杏。目前有兩個模型，一個是肖像分割 瑞信，另個一個是通用人像分割厉颤。這里抄一下肖像分割模型：
肖像分割模型
針對手機視頻通話、Web視頻會議等實時半身人像的分割場景凡简，PP-HumanSeg發(fā)布了自研的肖像分割模型逼友。該系列模型可以開箱即用，零成本直接集成到產(chǎn)品中秤涩。
PP-HumanSegV1-Lite肖像分割模型帜乞，分割效果較好，模型體積非常小筐眷，模型結(jié)構(gòu)見鏈接挖函。
PP-HumanSegV2-Lite肖像分割模型，對比V1模型浊竟，推理速度提升45.5%怨喘、mIoU提升3.03%、可視化效果更佳振定，核心在于：
更高的分割精度：使用PaddleSeg推出的超輕量級分割模型(鏈接)必怜，具體選擇MobileNetV3作為骨干網(wǎng)絡，設計多尺度特征融合模塊(Multi-Scale Feature Aggregation Module)后频。
更快的推理速度：減小模型最佳輸入尺寸梳庆，既減少了推理耗時，又增大模型感受野卑惜。
更好的通用性：使用遷移學習的思想膏执，首先在大型通用人像分割數(shù)據(jù)集上預訓練，然后在小型肖像分割數(shù)據(jù)集上微調(diào)露久。
具體調(diào)用還是python來處理更米，我只貼一下效果圖。
相比較商用的實現(xiàn)毫痕，效果確實差了一個層次征峦。下一步考慮將該功能發(fā)布成http服務，估計要好好學習一下Flask消请，WSGI了栏笆。
