用yolov5实现人脸表情识别代码

以下是使用YOLOv5实现人脸表情识别的示例代码：

import torch
import cv2
from PIL import Image
from torchvision.transforms import transforms
from models.experimental import attempt_load

# 加载训练好的YOLOv5模型
model = attempt_load('yolov5s.pt', map_location=torch.device('cpu'))

# 设置设备
device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')

# 设置图像预处理的转换
preprocess = transforms.Compose([
    transforms.Resize(size=(640, 640)),
    transforms.ToTensor(),
    transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225])
])

# 定义目标类别标签
class_labels = ['happy', 'sad', 'angry']

# 加载图像
image_path = 'image.jpg'
image = Image.open(image_path).convert('RGB')

# 进行图像预处理
input_image = preprocess(image).unsqueeze(0).to(device)

# 使用YOLOv5进行目标检测
outputs = model(input_image)

# 解析检测结果
preds = outputs.xyxy[0].cpu().numpy()
face_images = []
for pred in preds:
    if pred[5] == 0:  # 类别索引为0表示检测到了人脸
        x1, y1, x2, y2 = int(pred[0]), int(pred[1]), int(pred[2]), int(pred[3])
        face_image = image.crop((x1, y1, x2, y2)).resize((224, 224))
        face_images.append(face_image)

# 加载情绪识别模型
emotion_model = torch.load('emotion_model.pt').to(device)
emotion_model.eval()

# 对每张人脸图像进行情绪识别
for face_image in face_images:
    # 进行图像预处理
    input_face = preprocess(face_image).unsqueeze(0).to(device)

    # 使用情绪识别模型进行预测
    with torch.no_grad():
        outputs = emotion_model(input_face)
        _, predicted = torch.max(outputs, 1)
        emotion_label = class_labels[predicted.item()]

    # 在原图上标注情绪结果
    cv2.rectangle(image, (x1, y1), (x2, y2), (255, 0, 0), 2)
    cv2.putText(image, emotion_label, (x1, y1 - 10), cv2.FONT_HERSHEY_SIMPLEX, 0.9, (255, 0, 0), 2)

# 显示结果图像
cv2.imshow('Result', cv2.cvtColor(np.array(image), cv2.COLOR_RGB2BGR))
cv2.waitKey(0)
cv2.destroyAllWindows()

在上述代码中，首先加载了训练好的YOLOv5模型和情绪识别模型（假设情绪识别模型已经训练好并保存为'emotion_model.pt'）。然后，加载待处理的图像，并使用YOLOv5进行目标检测，提取出检测到的人脸图像。接下来，对每张人脸图像进行情绪识别，并在原图上标注识别结果。最后，显示结果图像。

需要注意的是，上述代码仅为示例，实际应用中可能需要根据具体情况进行调整和优化，例如模型的路径、图像的路径、类别标签等。此外，还需要安装相应的依赖库和下载YOLOv5模型权重文件。