DamoFD+Jupyter：人脸检测可视化操作全攻略

DamoFD+Jupyter：人脸检测可视化操作全攻略

你是不是也经历过这样的时刻：刚下载好一个人脸检测模型，打开代码文件却卡在第一步——不知道从哪改起？想换张自己的图片试试效果，结果在几十行代码里反复查找img_path；想看看检测结果长什么样，运行完却只看到终端里一串坐标数字，连人脸框在哪都找不到。

别急，这太正常了。我第一次用 DamoFD 时，也是对着DamoFD.py文件发了十分钟呆，最后靠截图、放大、逐行比对才找到那行关键路径。后来发现，其实根本不用这么费劲——这个镜像自带 Jupyter Notebook，所有操作都能在浏览器里点点鼠标完成，检测结果直接以图片形式显示在页面下方，清晰直观。

这篇文章就是为你写的。不讲复杂原理，不堆技术参数，只聚焦一件事：怎么用最简单的方式，把 DamoFD 跑起来、看结果、调参数、换图片。无论你是刚接触 AI 的学生，还是想快速验证想法的产品经理，只要会点鼠标、能复制粘贴命令，就能跟着一步步做出可视化的人脸检测效果。

学完你能做到：

• 在 Jupyter 中一键切换模型环境，不再担心 Python 版本冲突
• 用三步操作（选文件→改路径→点运行）完成整套人脸检测流程
• 看懂检测结果图：绿色方框代表人脸位置，五种颜色小圆点对应双眼、鼻尖、嘴角
• 自己上传图片、修改阈值、调整显示方式，真正掌控整个过程
• 掌握两种运行方式的适用场景：脚本适合批量处理，Notebook 适合调试和教学

整个过程不需要编译、不装驱动、不配环境。镜像已经为你准备好一切，你只需要做最关键的事：让技术为你服务，而不是被技术绊住脚。

1. 镜像初体验：5分钟启动你的可视化开发台

1.1 这个镜像到底装了什么？

很多人看到“DamoFD人脸检测关键点模型-0.5G”这个名称，第一反应是：“0.5G 是模型大小？还是整个镜像体积？”其实都不是。这里的“0.5G”指的是镜像整体轻量级设计带来的资源友好性——它不像动辄几个GB的大模型环境那样吃显存、占磁盘，而是一个开箱即用、专注人脸检测任务的精简工作台。

镜像内已预装全部必要组件，你不需要再执行pip install或conda install。所有依赖关系都经过严格匹配测试，避免了常见的“版本地狱”问题。你可以把它理解成一个“AI功能U盘”，插上就能用，拔掉也不留痕迹。

核心配置一览：

注意：镜像默认将代码放在系统盘/root/DamoFD，但为了安全和可修改性，首次使用必须先复制到数据盘。这是关键一步，跳过会导致后续修改无法保存。

1.2 第一步：把代码搬进“可编辑区”

镜像启动后，打开终端（Terminal），依次执行以下两条命令：

cp -r /root/DamoFD /root/workspace/ cd /root/workspace/DamoFD

这两条命令的作用很实在：

• 第一条，把原始代码从只读的系统盘复制到可写的/root/workspace/目录下，确保你做的任何修改（比如换图片路径、调阈值）都能永久保留；
• 第二条，进入工作目录，为后续激活环境做准备。

接下来激活预置的 Conda 环境：

conda activate damofd

你会看到命令行前缀变成(damofd)，说明环境已就绪。此时你可以放心运行任何.py或.ipynb文件，不会出现“ModuleNotFoundError”。

1.3 两种方式，一种目标：看到检测结果图

这个镜像提供了两种主流运行方式，它们不是互斥的，而是互补的：

• Python 脚本方式：适合熟悉命令行、需要批量处理多张图片、或准备集成进自动化流程的用户；
• Jupyter Notebook 方式：适合新手入门、教学演示、参数调试、结果即时查看——也就是我们今天重点展开的方式。

你可以现在就打开 Jupyter Lab（通常镜像启动后自动提供 Web 访问链接），左侧文件树中找到/root/workspace/DamoFD/，双击打开DamoFD-0.5G.ipynb。这就是专为你准备的可视化操作界面。

2. Jupyter 实战：三步完成一次完整的人脸检测可视化

2.1 选择正确的“大脑”：内核切换不能错

打开DamoFD-0.5G.ipynb后，你可能会注意到右上角写着Python 3。这看起来没问题，但其实是陷阱——它默认使用的是基础 Python 环境，而 DamoFD 所需的所有依赖（PyTorch、ModelScope、CUDA 支持）都在damofd这个专属环境中。

所以，请务必点击右上角的内核名称，从下拉菜单中选择damofd。如果没看到，可以点击Kernel → Change kernel → damofd。

正确状态：右上角显示damofd，且单元格运行时不会报ImportError。

这一步看似微小，却是能否成功运行的关键。很多用户卡在这里半天，反复检查代码却忽略内核没切对——就像给汽车加了油，却忘了点火。

2.2 换一张你自己的图：修改图片路径只需一行

在 Notebook 中向下滚动，找到第一个代码块，里面有一行类似这样的代码：

img_path = '/root/workspace/test.jpg'

这就是你要动手的地方。把单引号里的路径替换成你自己的图片位置即可。有三种常用方式：

• 使用镜像内置测试图（推荐新手）：保持原样，直接运行，先看效果
• 上传新图片到 workspace：点击 Jupyter 左侧“上传”按钮，把本地照片拖进去，然后改成'/root/workspace/your_photo.jpg'
• 使用网络图片 URL：比如img_path = 'https://example.com/face.jpg'（需确保图片公开可访问）

小提醒：路径必须是绝对路径，以/root/workspace/开头；文件名区分大小写；支持格式包括.jpg、.png、.jpeg、.bmp。

改完后，把光标放在该代码块内，按Ctrl+Enter（Windows/Linux）或Cmd+Enter（Mac）运行这一格。你会看到输出类似：

图片加载成功，尺寸：640x480 DamoFD 模型加载完成 检测完成，共发现 2 张人脸

但这还不是最终效果——这只是后台日志。真正的可视化结果，在下一步。

2.3 点击“全部运行”，结果立刻呈现

找到 Notebook 工具栏上的“运行全部”按钮（图标为 ▶▶，或通过菜单Cell → Run All），点击它。

几秒钟后，页面下方会直接显示出一张新图片：原图上叠加了绿色矩形框和五个彩色圆点。每个框代表一张检测到的人脸，每个圆点对应一个关键点——左眼（蓝色）、右眼（绿色）、鼻尖（红色）、左嘴角（青色）、右嘴角（黄色）。

这就是 DamoFD 的核心能力：不仅告诉你“有人脸”，还精准指出“人脸在哪、五官在哪”。这些关键点坐标后续可用于人脸对齐、表情分析、美颜变形等高级应用。

你不需要打开新窗口、不用查日志、不用手动cv2.imshow()——一切都在浏览器里完成，所见即所得。

3. 深入一点：看懂结果、调参优化、快速排错

3.1 结果图里藏着什么信息？

可视化结果不只是“好看”，它背后是结构化数据。在 Notebook 中，检测结果通常保存在变量result中，包含两个核心字段：

• 'boxes'：人脸边界框坐标列表，每项为[x1, y1, x2, y2]，单位为像素
• 'keypoints'：关键点坐标列表，每项为[[x1,y1], [x2,y2], ..., [x5,y5]]，顺序固定为左眼、右眼、鼻尖、左嘴角、右嘴角

你可以随时在新代码块中打印它们：

print("检测到的人脸框：", result['boxes']) print("第一张脸的关键点：", result['keypoints'][0])

输出类似：

检测到的人脸框： [[124.3, 89.7, 215.6, 203.1], [382.1, 95.4, 476.8, 211.9]] 第一张脸的关键点： [[152.4, 121.8], [189.2, 123.5], [170.6, 154.3], [158.9, 172.1], [182.3, 173.7]]

这些数字就是你在图上看到的框和点的数学表达。理解它们，是你迈向自定义应用的第一步。

3.2 三个最实用的参数调整技巧

默认设置已经足够好，但在实际使用中，你可能需要微调。以下是三个真正有用、见效快的调整点：

① 调低检测阈值，让模型更“敏感”

默认只返回置信度 > 0.5 的人脸。如果你的照片光线较暗、人脸较小或角度偏斜，可以降低阈值：

result = face_detection(img_path, min_score=0.3)

效果：能检测到更多模糊、侧脸、小尺寸人脸，但可能增加误检（如把阴影当人脸）。建议从0.4开始尝试，逐步下调。

② 修改关键点显示大小和颜色

当前代码中画圆点的语句可能是：

cv2.circle(img, (int(px), int(py)), 3, color, -1)

把3改成5，圆点会更醒目；把color列表中的 RGB 值换掉，就能自定义每种关键点的颜色。例如让鼻尖变紫色：

color = [(255,0,0), (0,255,0), (128,0,128), (255,255,0), (0,255,255)][j]

③ 保存高清结果图

默认保存的图片可能被压缩。要保留原始分辨率和清晰度，在保存前添加：

cv2.imwrite('output_highres.jpg', img, [cv2.IMWRITE_JPEG_QUALITY, 95])

95表示 JPEG 质量（0~100），数值越高越清晰，文件略大。

3.3 常见问题现场解决

Q：运行后报错ModuleNotFoundError: No module named 'modelscope'？
A：一定是内核没切对。请回到 2.1 节，确认右上角显示的是damofd，不是Python 3。

Q：图片显示出来了，但没有人脸框？
A：先检查图片是否真含人脸（可用手机前置摄像头拍一张测试）；再检查路径是否正确（注意大小写、扩展名）；最后尝试降低min_score到0.3。

Q：关键点颜色乱了，或者只有部分点显示？
A：检查keypoints是否为空。如果len(result['keypoints']) == 0，说明没检测到任何人脸，前面步骤需排查。

Q：想同时检测多张图，怎么操作？
A：在 Notebook 新建一个代码块，用循环处理：

import glob image_list = glob.glob('/root/workspace/*.jpg') for path in image_list: result = face_detection(path) # 绘制并保存逻辑... print(f" 已处理 {path}")

4. 脚本方式补充：当你需要更“硬核”的控制力

虽然 Jupyter 更适合可视化和调试，但有些场景下，你可能更倾向传统脚本方式——比如要在服务器后台持续运行、要写进 CI/CD 流程、或只是习惯命令行操作。

4.1 修改DamoFD.py的正确姿势

进入/root/workspace/DamoFD/目录后，用 Jupyter 内置编辑器（点击.py文件即可）或 VS Code 打开DamoFD.py。

找到类似这行代码：

img_path = 'https://modelscope.oss-cn-beijing.aliyuncs.com/test/images/mog_face_detection.jpg'

把它改成你的本地路径，例如：

img_path = '/root/workspace/my_family.jpg'

保存文件（Ctrl+S），然后在终端中运行：

python DamoFD.py

运行完成后，同目录下会生成output.jpg，就是带检测结果的图片。

4.2 脚本 vs Notebook：怎么选？

没有“更好”，只有“更适合”。你可以今天用 Notebook 上手，明天用脚本批量跑，后天再切回 Notebook 调参——它们本就是同一套能力的两种表达。

5. 总结

• Jupyter 不是“高级功能”，而是 DamoFD 镜像为你准备的最友好操作界面——改一行路径、点一下按钮，结果立刻可见
• “可视化”不是锦上添花，而是理解模型行为的最直接方式：框在哪、点在哪、准不准，一眼便知
• 参数调整不必玄学，从min_score、关键点大小、保存质量这三个点切入，就能覆盖 90% 实际需求
• 脚本和 Notebook 不是对立选项，而是同一工具箱里的两把螺丝刀——拧小零件用精密镊子（Notebook），装整机用电动扳手（脚本）
• 你现在拥有的不是一个“待配置的模型”，而是一个随时可运行、可观察、可修改的视觉智能模块

别再把时间花在环境报错和路径排查上。DamoFD 的价值，从来不在它多快或多准，而在于它让你把注意力真正放回图像本身、放回业务问题本身。

现在，就打开你的镜像，上传一张照片，点下“全部运行”——那张带着绿色方框和彩色圆点的图，就是你和 AI 视觉世界第一次真实握手。

获取更多AI镜像

想探索更多AI镜像和应用场景？访问 CSDN星图镜像广场，提供丰富的预置镜像，覆盖大模型推理、图像生成、视频生成、模型微调等多个领域，支持一键部署。