DeepFace 年龄与性别识别教程一行 analyze 出结果3 个参数避开常见坑【免费下载链接】deepfaceA Lightweight Face Recognition and Facial Attribute Analysis (Age, Gender, Emotion and Race) Library for Python项目地址: https://gitcode.com/GitHub_Trending/de/deepface给用户做资料卡需要从他上传的头像里读出预测年龄和性别写进数据库。这件事用 DeepFace 的面部属性分析模块三行代码就能跑通装依赖、调一次DeepFace.analyze就能拿到每张脸的预测年龄和性别概率。本文围绕 DeepFace 的年龄与性别识别功能讲清两个模型的判断原理再列出最容易被配错的几个参数帮你在半天内把它接进自己的业务。能力速览这个模块能做什么能力 / 模块一句话适用场景DeepFace.analyze一行调用返回预测年龄、性别概率与人脸区域坐标actions参数只算年龄和性别跳过表情、种族两项多人脸支持一张图检出 N 张脸就返回 N 个结果字典批量输入传入图片路径列表一次调用拿到每图结果detector_backend默认检测器漏检或误检时更换检测后端enforce_detection混合质量图片批量处理时决定是否因无人脸而抛错权重自动下载首次调用自动拉取年龄 / 性别模型权重无需手动放置DeepFace 是一个 Python 人脸分析库本文只聚焦它的面部属性分析部分不涉及人脸识别、注册检索等其他能力。年龄与性别两个模型都基于预训练权重直接推理装完依赖即可用不需要训练数据。快速上手安装步骤与最小可运行示例这段 bash 代码完成仓库克隆和依赖安装TensorFlow、OpenCV 等由 requirements.txt 统一声明git clone https://gitcode.com/GitHub_Trending/de/deepface cd deepface pip install -r requirements.txt运行后预期看到 pip 依次安装依赖并提示 Successfully installed。下面用仓库自带的测试图做最小示例只启用年龄和性别两项分析并用silentTrue关掉进度条from deepface import DeepFace results DeepFace.analyze( tests/unit/dataset/img4.jpg, actions[age, gender], silentTrue, ) print(results)运行后预期看到一个字典列表每张图片里检出一张脸就对应一个字典数值为示例随图片而异[{age: 27, dominant_gender: Woman, gender: {Woman: 99.98, Man: 0.02}, region: {x: 512, y: 168, w: 656, h: 656}, face_confidence: 0.97}]官方 README 中记录了参考指标年龄模型 MAE 约 ±4.65 岁性别模型准确率 97.44%可在 README.md 中查证。它是怎么工作的拆开 Age 模型看输入analyze先用人脸检测器切出人脸区域再经过 preprocessing 模块 里的resize_image等比缩放并居中补黑边得到 224×224 的标准输入。处理模型复用 VGGFace 卷积主干末端换成 1×1 卷积输出 101 个通道对应 0~100 岁经 softmax 得到 101 个概率。核心构建代码在 Age.py 中不超过 5 行model VGGFace.base_model() classes 101 # 对应 0~100 岁 out Convolution2D(classes, (1, 1), namepredictions)(model.layers[-4].output) out Flatten()(out) out Activation(softmax)(out)输出把 101 个概率分别乘以对应的年龄索引再加权求和就得到一个连续年龄值analyze再把它转成 int 放进结果apparent_age np.sum(age_predictions * np.arange(0, 101))一句话解释年龄不是分 101 类而是把概率分布当数学期望来算所以输出可以是小数误差天然被平均掉。性别模型结构完全相同只是classes 2标签为[Woman, Man]见 Gender.py。进阶用法3 个最常调的参数actions默认值(emotion, age, gender, race)四项全算何时改只要年龄和性别时改成什么actions[age, gender]。结果字典里只会包含传入项没传的属性不出现也不加载对应模型推理更快enforce_detection默认值True检不到人脸就抛FaceNotFound异常何时改批量处理质量参差的图片模糊、侧脸、卡通改成什么enforce_detectionFalse此时不切人脸直接拿整张图进模型宁可算一张整图脸也不中断流程detector_backend默认值opencv速度快适合正脸清晰图何时改低光、侧脸、小脸场景漏检时改成什么retinaface或mtcnn。README 指出 RetinaFace 在官方检测模型对比中表现领先完整可选值见 demography 模块 的analyze文档字符串另外提一句批量场景建议顺手加silentTrue默认False时会打印 tqdm 进度条日志会刷屏。实战场景场景一批量处理一个文件夹导出年龄性别 CSV。需求把一批用户头像跑一遍每张脸一行落盘。import csv from deepface import DeepFace from deepface.commons import image_utils rows [] for img_path in image_utils.yield_images(tests/unit/dataset): try: objs DeepFace.analyze( img_path, actions[age, gender], enforce_detectionFalse, silentTrue, ) except Exception: continue for obj in objs: rows.append([img_path, obj[age], obj[dominant_gender], obj[gender].get(obj[dominant_gender], 0)]) with open(result.csv, w, newline) as f: csv.writer(f).writerows([[file, age, gender, confidence]] rows) print(f共写入 {len(rows)} 行)运行后预期看到当前目录多出一个result.csv每张脸占一行包含年龄、性别标签和该性别的置信度百分比无脸图片被try/except跳过。场景二注册流程里的年龄门槛校验。需求用户提交头像后判断预测年龄是否达到最低要求。from deepface import DeepFace MIN_AGE 18 def check_age(profile_photo: str) - bool: objs DeepFace.analyze(profile_photo, actions[age], silentTrue) if not objs: raise ValueError(未检测到人脸) age min(obj[age] for obj in objs) # 多人脸时取最小值更保守 return age MIN_AGE print(check_age(tests/unit/dataset/img4.jpg))运行后预期打印True或False直接可用于拦截逻辑多人脸取最小年龄避免用图中儿童蒙混过关。踩坑清单问题现象原因解决办法首次运行 analyze 很慢或卡住第一次调用会从网上下载 age / gender 模型权重.h5 文件保持网络畅通下载完成后第二次运行直接读本地缓存低清图报FaceNotFound异常enforce_detection默认True检不到脸就抛错批量场景改enforce_detectionFalse改用整图分析传 actions 报UnimplementedError只认emotion/age/gender/race四个值大小写敏感检查拼写如用age而不是Age置信度阈值判断总是失效gender、race里的数值已放大到 0~100 的百分比比较时用 50 作阈值而不是 0.5批量输入拿到的是列表套列表传入图片列表时返回结构是每图一个列表、每脸一个字典循环两层展平或按场景一逐文件处理写在最后更多参数说明见 README.mdanalyze 的完整实现可读 deepface/modules/demography.py。两个模型权重均随首次调用自动下载装完依赖即可开始推理。【免费下载链接】deepfaceA Lightweight Face Recognition and Facial Attribute Analysis (Age, Gender, Emotion and Race) Library for Python项目地址: https://gitcode.com/GitHub_Trending/de/deepface创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考