企业官网建设流程全解析

简介：面向计算机视觉与深度学习入门者的面部关键点检测项目实践包，对应 CVND 首个项目，围绕人脸检测与眼、鼻、嘴周围关键点定位展开，可用于面部跟踪、姿态识别、滤镜与情绪识别等场景的自学与课程作业。包内收录约2000个文件，以 jpg 人脸图像样本为主，配合 ipynb 分步笔记本、png 示意图、xml 标注、csv 关键点索引及少量 Python 脚本与说明文档，压缩包约330.12MB，便于按数据、建模、检测流程检索。已有201人学习，内容将任务拆为数据加载与可视化、CNN定义与训练、Haar级联结合CNN的完整检测管线、趣味滤镜与关键点应用四部分，并附模型代码，可帮助读者理解关键点回归的训练细节、评估思路和从单图预测到端到端检测的衔接。全流程采用 Jupyter Notebook 组织，适合按编号顺序复现与二次修改，也能为课程展示和项目复盘提供参考。

1. 从一个困惑说起：手机相机里那圈跟着你动的小点是什么

你有没有盯着手机前置摄像头看过：一张脸凑过去，屏幕上浮出一圈小点，眼角、鼻尖、嘴角，一共十几个，你歪头它也跟着歪。这圈东西就是人脸关键点，英文叫 Facial Keypoints。这份叫 P1_Facial_Keypoints 的资源，就是一个用 Jupyter Notebook 带你亲手把这件事做一遍的入门项目：输入一张人脸照片，让模型吐出 15 组坐标，再把这些点画回脸上。它不需要你先啃完一本深度学习教材，也不用先学完一整门课，只要你能打开一个笔记本页面、照着敲几行 Python，就能看到第一张被标出五官的脸。适合完全没跑过模型、但想真正动手一次的新手。

2. 拆开这份资源：一个 Jupyter Notebook 里装着怎样一条流水线

2.1 它到底在解决什么问题

先把任务说清楚，后面才不会糊。这个项目做的事，本质上就是「填表」：给一张人脸图片，填出一张 15 行的表，每行两个数字，分别代表某个五官位置在图片里的横坐标和纵坐标。左眼中心一行、右眼中心一行、鼻尖一行、嘴角左右各一行……凑齐 15 行，也就是 30 个数字。

为什么是 30 个数字而不是别的？因为每个点要两个数才能定位：一个管左右，一个管上下。这 30 个数字按固定顺序排成一串，就是一个长度为 30 的向量。模型要学的，就是从「一张图」到「这串数字」的映射关系。

这里有个新手常混淆的地方，值得多说两句。常见的图像任务分两类：一类叫分类，回答「这张图是猫还是狗」，输出是几个类别里挑一个；另一类叫回归，回答「这个数值是多少」，输出是连续的数字。人脸关键点属于后者——它不是在猜「这是不是一张脸」，而是在算「这张脸上鼻尖大概在第 137 像素、第 92 像素的位置」。既然是算数字，误差就可以用「预测值和真实值差了多少」来衡量，这也是为什么这类任务常用均方误差当损失函数：差得越远，惩罚越大，模型就往差得少的方向调。

那这东西学了有什么用？最直接的是给相机做贴纸和特效：知道眼睛在哪，才能把猫耳朵戴到头顶而不是戴到下巴上。往深一点走，可以做表情驱动——把关键点的位移翻译成表情参数；可以做视线追踪，判断你在看屏幕的哪个角落；也可以做图像对齐，换脸、修图、人脸变形都靠先找到这些基准点。这些应用听着远，但它们的第一步完全一样：先把 15 个点稳稳地找出来。这个项目就是那第一步。

再说数据长什么样。资源里的数据通常由两部分组成：一堆人脸图片文件，和一张表格。表格每行对应一张图，第一列是图片文件名，后面若干列是这张图上那 15 个点的坐标。所以你打开表格，看到的就是一行一行的数字，没有图片——图片是分开存的，文件名是它们之间的钥匙。这个「图片 + 表格」的组合，是后面所有步骤的地基，先把这层关系记住，看代码时就不会晕。

2.2 打开一个 Notebook 你会看到什么

Jupyter Notebook 最反直觉的地方，是它不像普通程序那样从头跑到尾。它是一格一格（cell）的，每一格可以是文字，也可以是代码，你可以只跑其中一格，跑完结果就留在页面上。你可以把它想成一本实验记录本：上面写着说明，下面是能直接执行的小实验，做完一个看一个结果。

这份资源的结构大致是这样的顺序，你可能第一眼看到会觉得格数很多，其实就六段：

第一段是读数据。把图片路径、关键点表格、训练集和验证集的划分准备好。这一段跑完，你能看到表格的形状，比如有多少行多少列。

第二段是看数据。随机挑几张图，把图画出来，再把关键点叠上去。这一段是给人看的，不是给模型看的——你要亲自确认「表格里的坐标和图片对得上」，否则后面训练半天全是错的方向。

第三段是预处理。把人脸区域裁出来、把图片统一成同一个尺寸（常见是 96×96 或 224×224）、把坐标从「像素值」换算成「相对比例」。这一步是所有新手最容易出错的地方，第 5 章会专门讲。

第四段是定义模型。通常是一个小型卷积网络：几层卷积加池化负责看，最后接几层全连接负责算，输出长度是 30。

第五段是训练。设定损失函数、优化器、迭代轮数，然后循环：前向算预测、算损失、反向传梯度、更新参数。每一轮打印一次损失，你能看到它从大变小。

第六段是预测和可视化。拿验证集里没见过的图，预测出 15 个点，画在图上，用眼睛判断准不准。

提示：第一次打开时不要急着「全部运行」。一格一格往下跑，每跑完一格就看输出，出问题你能立刻知道是哪一步出的。

还有一点要提醒：Notebook 里的变量是「记住」的。你在第一格定义了变量，跑到第十格它还活着。这是它的方便之处，也是它的陷阱——如果中间某格你改过又没重跑，后面的结果可能是旧的变量算出来的，看起来就像「代码明明改了却没生效」。遇到这种玄学情况，第一反应应该是「从第一格重新跑一遍」，而不是盯着代码找 bug。

2.3 为什么它适合零基础，而不是先学三个月理论

很多新手会问：我是不是得先看完线代、概率、反向传播推导，才有资格碰这种项目？答案是反过来的。先跑通，再回头补理论，效率高得多。

第一，反馈极其直观。分类任务你只能看到一个准确率数字，90% 还是 92%，你其实没什么感觉。关键点任务不一样，预测完直接画在脸上，准不准你一眼就能看出：眼睛的点是落在眼珠上还是歪到鼻梁上。这种「肉眼可见对错」的反馈，对新手建立感觉特别重要。

第二，数据量小、训练快。这种入门数据集通常只有几千张脸，用一张普通显卡甚至只用 CPU，跑几轮也就几分钟。你可以在一个下午里试五六种改动，而不是等一晚上才看到一次结果。

第三，脚手架已经搭好了。你不需要从「怎么读取一张图片」写起，读数据、画图、训练循环这些重复劳动，资源里大半已经给你写好了。你要做的是在已有的格子里改几个数字，然后看结果怎么变。这种「改一点、看一点」的节奏，比从零搭整个项目轻松太多。

第四，它把深度学习的完整流程走了一遍，一个都没漏：数据、预处理、模型、损失、训练、评估、可视化。走完一遍之后，你再看别的项目，会发现它们只是把其中某一段换掉了，骨架是同一副。

走完这个项目，你能带走的东西很具体：你知道一张图片在程序里其实是一个数字矩阵；你知道坐标要先归一化再喂给模型；你知道损失不降的时候该先怀疑学习率和数据；你能独立把一个 Notebook 从第一格跑到最后一格并解释每一步在干什么。这些听起来朴素，但它们是往后所有计算机视觉任务的地基。

3. 动手前的一小时：把运行环境配成「能跑的样子」

3.1 先分清三样东西：Python、Notebook、框架

新手最容易在装环境这一步翻车，原因是把三个不同层级的东西混为一谈。

Python 是语言本身，是地基。你写的每一行代码最终都由它执行。

Jupyter Notebook 是一个「运行界面」，它让你在浏览器里一格一格地写和跑 Python。它本身不是语言，也不是框架，它是壳。你可以用命令行跑 Python，也可以用这个壳跑，壳的好处是结果能直接留在页面上，图也能直接显示。

深度学习框架是「工具箱」，比如 PyTorch 这类。它把卷积、梯度、张量运算这些底层活封装成一行调用，你不用自己算导数。这份资源可能用其中某一种，跟着它的代码走就行，不用为了「哪个更好」纠结。

三者的关系是：Notebook 里写 Python，Python 调用框架。所以顺序是——先有 Python，再有 Notebook，再装框架。顺序反了就会出现「明明装了却 import 报错」这类问题。

3.2 装依赖：按顺序执行的三条命令

假设你用的是 conda 这类环境管理工具（新手强烈建议用，别直接在系统 Python 里装东西，装崩了很难收拾），可以按下面的顺序走。先建一个独立环境，把它想成一个专用的抽屉，里面的包互不干扰：

# 建一个独立环境，指定 Python 版本，避免和系统里的包打架 conda create -n keypoints python=3.10 -y # 进入这个环境，之后所有安装都发生在抽屉里 conda activate keypoints # 安装 Notebook 本体，用来打开 .ipynb 文件 pip install notebook

接着装计算和画图要用的包。这一步建议一次装完，避免后面一格一格报错、一格一格补：

# 数值计算、表格处理、画图、读图片 pip install numpy pandas matplotlib pillow # 深度学习框架，按资源里 import 的那个名字选一个装 pip install torch torchvision

装完之后，在项目目录下执行启动命令：

# 启动 Notebook，浏览器会自动打开一个带文件列表的页面 jupyter notebook

执行完你会看到一个网页，里面列出当前目录的所有文件。点开那个后缀是 .ipynb 的文件，就是这份资源的主体。如果浏览器没自动弹出来，终端里会打印一个带端口的地址，复制到浏览器里打开即可。

注意：启动命令要在「资源所在的那个目录」下执行。在别的目录启动，页面里就看不到文件，很多新手会以为文件丢了。

3.3 检查环境是否真的通了

装完不代表能用，一定要验证。新建一格，把下面这段贴进去跑：

import sys import numpy as np import pandas as pd import matplotlib.pyplot as plt import torch # 打印 Python 版本，确认跑的是刚建的那个环境而不是系统自带的 print("python:", sys.version.split()[0]) print("numpy:", np.__version__) print("torch:", torch.__version__) # 有独立显卡的话这里会打印 True，没有就是 False，CPU 也能跑这个项目 print("cuda 可用:", torch.cuda.is_available()) # 造一个小张量做一次真实运算，确认框架不是"装了个空壳" x = torch.randn(2, 3) print("张量形状:", x.shape, "均值:", round(x.mean().item(), 4))

这段的作用是逐一确认四件事：Python 版本对不对、几个包能不能 import、框架有没有真的装好、显卡能不能用。四行输出全打出来且不报错，环境就算通了。

如果torch.cuda.is_available()打印 False 而你确实有显卡，别慌，先按 CPU 跑。这个项目的数据量小，CPU 跑几轮也能出结果，只是慢一点。环境问题留到后面再修，先让自己看到第一个能跑的模型，比卡在装环境上三天要值。

再补一个新手常忽略的检查：确认当前 Notebook 的工作目录。跑import os; print(os.getcwd())，看看打印出来的路径是不是资源所在的目录。后面所有读文件的相对路径，都是相对这个目录算的。路径不对，读数据那一格一定报「找不到文件」，而这跟代码写得对不对毫无关系。

4. 跑通第一个例子：一张人脸图变成 15 个坐标点的三步

4.1 先把数据读进来，看看一张脸长什么样

这一步的目标很朴素：确认你能拿到图片，也能拿到对应的坐标。下面这段是通用写法，具体文件名以你解压后看到的为准：

import numpy as np import pandas as pd import matplotlib.pyplot as plt from PIL import Image # 读关键点表格：每行一张图，第一列是图片文件名，后面 30 列是 15 个点的坐标 keypoints = pd.read_csv("data/training_frames_keypoints.csv") # 看看整体规模：多少张图、多少列 print("表格形状:", keypoints.shape) # 前几列的名字，确认第一列确实是文件名 print("前几列:", keypoints.columns[:4].tolist()) # 取第一张图的前 6 个数字，也就是前 3 个点的 (x, y) print("第一张图前三个点:", keypoints.iloc[0, 1:7].values)

读完之后要做一件事：确认列的顺序。很多关键点表格的坐标不是按「x1, y1, x2, y2」这样成对排列，而是「所有 x 排一起，所有 y 排一起」。这两种排法在画图时结果完全不一样，一个画得对，一个画出一堆乱七八糟的点。所以别急着往下走，先打印几列看看数值范围：如果某一列的值普遍在 0 到 200 之间，那它大概率是像素坐标；如果出现负数或者超过图片宽度很多的值，说明数据本身有问题或者列理解错了。

再把图片读进来看看：

# 按表格里的文件名去图片目录找图，转成 RGB 三通道 img = np.asarray(Image.open("data/training/000001.jpg").convert("RGB")) # 打印形状：(高, 宽, 3)，三个数字分别对应行数、列数、通道数 print("图片形状:", img.shape, "数据类型:", img.dtype) # 画出来看看 plt.imshow(img) plt.axis("off") plt.show()

图片在程序里就是一个三维数组：高、宽、通道。img.shape打印出(96, 96, 3)这样的结果，意思是 96 行像素、96 列像素、3 个颜色通道。新手看到「图片变成数字」经常觉得抽象，其实不抽象——每一个像素就是三个 0 到 255 的数字，分别代表红绿蓝的强度。整张图就是这些数字排成的一张表。

提示：读进来的图片尺寸往往不统一。有的 96×96，有的 250×250。后面喂给模型前必须统一，否则网络层会直接报维度不匹配。

4.2 把关键点画上去，用眼睛验证数据

这是整个流程里最值得花时间的一步，也是最容易被跳过的一步。画一次图，能省掉后面几小时的排查。

# 从表格里取第一张图的 30 个坐标，重排成 15 行 2 列：每行是一个点 pts = keypoints.iloc[0, 1:].values.astype("float32").reshape(-1, 2) fig, axes = plt.subplots(1, 2, figsize=(8, 4)) # 左图：原图 axes[0].imshow(img) axes[0].set_title("original") axes[0].axis("off") # 右图：原图 + 关键点。x 是横坐标（列），y 是纵坐标（行） axes[1].imshow(img) axes[1].scatter(pts[:, 0], pts[:, 1], s=14, c="red", marker="x") axes[1].set_title("with keypoints") axes[1].axis("off") plt.show()

几个参数值得说清楚。reshape(-1, 2)里的 -1 是「这一维让程序自己算」，30 个数字自然排成 15 行 2 列。s=14是点的显示大小，图小的时候调大一点才看得清。c="red"是颜色，marker="x"是标记形状，用叉号比圆点更容易看清点落在哪个位置。

画出来之后怎么判断对不对？看三件事。第一，点的数量是不是 15 个。第二，点是不是集中在脸部区域，如果有一半的点飘到背景里，说明坐标和图片没对上，很可能是文件名匹配错了行。第三，左右眼的两个点是不是水平对称的，如果明显一高一低，可能是坐标的列顺序被搞混了。

这一步的真正价值在于：它是你唯一能用眼睛验证「数据和标签是配套的」的机会。跳过它直接训练，模型也能跑，损失也能降，但你可能训练了一个小时才发现自己一直在学一堆错位的标签。这种血泪经验，几乎每个入门的人都交过一次学费。

4.3 搭一个最小模型，让损失先降下来

现在到了最有仪式感的一步。先别追求精度，先追求「能跑通、损失在降」。下面这个网络很小，三层卷积加两层全连接，输入 96×96 的图，输出 30 个数字：

import torch import torch.nn as nn class TinyKeypointNet(nn.Module): def __init__(self): super().__init__() # 三层卷积：每层后接 ReLU 和池化，把 96x96 一路缩到 12x12 self.features = nn.Sequential( nn.Conv2d(3, 16, 3, padding=1), nn.ReLU(), nn.MaxPool2d(2), # 96 -> 48 nn.Conv2d(16, 32, 3, padding=1), nn.ReLU(), nn.MaxPool2d(2), # 48 -> 24 nn.Conv2d(32, 64, 3, padding=1), nn.ReLU(), nn.MaxPool2d(2), # 24 -> 12 ) # 全连接头：把特征图拉平，最后回归出 30 个坐标值 self.head = nn.Sequential( nn.Flatten(), nn.Linear(64 * 12 * 12, 128), nn.ReLU(), nn.Linear(128, 30), ) def forward(self, x): return self.head(self.features(x)) # 造一个假输入验证输出形状，这是养成习惯的好动作 model = TinyKeypointNet() print(model(torch.zeros(1, 3, 96, 96)).shape) # 期望 torch.Size([1, 30])

Conv2d(3, 16, 3)三个参数分别是输入通道、输出通道、卷积核大小。第一层的输入通道必须是 3，因为图片是 RGB 三通道，写错了会直接报错。MaxPool2d(2)是每次把长宽各缩一半，所以 96 经过三次池化变成 12，全连接层的输入就是64 * 12 * 12。这个数字必须和前面算出来的一致，差一个数就报维度错误——新手最常卡的地方就在这。

再往下是训练循环：

import torch # 坐标回归用均方误差：预测偏离真实值越远，惩罚越大 loss_fn = nn.MSELoss() # 学习率 1e-3 是这类小项目的稳妥起点，太大容易震荡，太小降得慢 optimizer = torch.optim.Adam(model.parameters(), lr=1e-3) for epoch in range(5): model.train() total = 0.0 for images, targets in train_loader: # images: [N,3,96,96] targets: [N,30] pred = model(images) # 前向：算出一批预测坐标 loss = loss_fn(pred, targets) # 算这批预测和真实值差多少 optimizer.zero_grad() # 清掉上一轮的梯度，不清会累加 loss.backward() # 反向：算出每个参数该往哪调 optimizer.step() # 按梯度真的调一次参数 total += loss.item() print(f"epoch {epoch}, loss {total / len(train_loader):.4f}")

train_loader需要你自己封装一下：把图片统一缩放、转成张量，把坐标归一化到 -1 到 1 之间，然后按批次打包。如果资源里已经写好了这部分，直接用，别重复造。

跑起来之后盯着 loss 看。正常情况是从一个较大的数（比如 0.1 上下）一路往下降，前几轮降得明显，后面变缓。如果五轮下来几乎没动，先别怀疑模型结构，去看第 5 章的第一条和第二条——八成是数据归一化或者学习率的问题。

5. 新手最容易翻车的四个地方：现象、原因和修法

5.1 画出来的图是黑的或者颜色很怪

现象：plt.imshow显示出来的脸要么一片黑，要么颜色像反相，红脸变青脸。

原因有两个。一是通道顺序。有些读图库默认按「蓝绿红」的顺序给出通道，而画图和预训练模型都期望「红绿蓝」，顺序反了颜色就错乱。二是数值范围。有的流程会把像素除以 255 变成 0 到 1 的小数，如果这里被做了两次归一化，或者被减了均值，显示出来自然一片灰黑。

解决：读图之后立刻打印img.shape和img.min()、img.max()。正常像素值应该落在 0 到 255 之间。如果通道顺序可疑，用img[:, :, ::-1]反转一下通道再画，颜色对了就说明是这个问题。显示和训练是两件事，训练前该归一化就归一化，但画图给人看的时候记得还原成原始像素。

5.2 损失一直不降，甚至越跑越大

现象：训练五轮、十轮，loss 在同一个数字附近晃，或者干脆往上窜。

原因通常是学习率不合适或标签没归一化。坐标是像素值，动辄几十上百，而模型输出的初始值在 0 附近，两边的量级差太远，梯度会非常大，参数一更新就跳飞。另外学习率设成 0.1 这种大值，在这种小网络上很容易震荡。

解决：先把坐标归一化到 -1 到 1 之间再算损失，预测时再乘回去；学习率从 1e-3 开始试，不降就降到 1e-4。还有一个隐蔽原因：忘记清梯度。如果optimizer.zero_grad()写在了backward()后面或者干脆没写，梯度会一轮轮累加，表现为损失突然爆掉。这几个都是新手常踩的坑，按顺序排查，八成能定位。

5.3 点全部挤在图片的一个角落

现象：训练完了，预测出来的 15 个点全部堆在左上角或者正中间一小团，看起来像模型「摆烂」。

原因：归一化和反归一化没配对。训练时你把坐标压到了 -1 到 1，预测时忘了乘回图片尺寸，那 30 个 0 附近的小数画在几百像素的图上，自然全挤在原点附近。反过来也有：训练时没归一化，预测时却乘了一次，点会飞到图外面去。

解决：把「归一化」和「反归一化」写成两个小函数，训练和预测时严格用同一对。归一化用「减最小值除范围」，反归一化用「乘范围加最小值」，两边参数必须一致。写完先拿一张训练集里的图自测：用真实标签归一化再反归一化，看能不能还原成原来的坐标，还原得回来，说明这对函数是对的。

5.4 明明有显卡，跑起来却像在爬

现象：torch.cuda.is_available()是 True，但训练一轮要好几分钟，风扇也不怎么转。

原因：张量和模型没有搬到同一块设备上。框架默认把新创建的张量放在 CPU 上，模型如果也留在 CPU，那显卡就一直闲着。只有模型和数据都在显卡上，计算才会真正走显卡。

解决：在定义模型之后加一句model = model.to(device)，在每一批数据取出之后加一句images, targets = images.to(device), targets.to(device)，其中device提前定义为torch.device("cuda" if torch.cuda.is_available() else "cpu")。注意预测和画图时要把张量搬回 CPU：pred.cpu().numpy()，否则和画图库配合时会报设备不匹配。

6. 走完这一站往哪去：从 15 个点到完整项目的学习路线

跑通这个项目之后，最怕的是「跑完了，然后呢」。下面这条路径是我带新手时最常用的一条，从近到远排，每一步都能独立看到结果，不用等学完才敢动手。

第 1 步最值得先做，因为收益最直观。加一个随机水平翻转，标签里的横坐标要跟着镜像，这一步能让你的验证误差明显下降，也能让你真正理解「数据增强不只是把图转一下，标签也得跟着动」。

第 4 步要提醒一句：理论不用等学完再做项目，但也别一直不补。我的建议是「遇到再补」——模型不收敛的时候去查学习率和归一化，精度上不去的时候去查过拟合和正则化。带着问题去看，比从头啃教材记得牢得多。

还有一个小技巧，是我自己一直在用的：每开一个新项目，先在 Notebook 最上面写三行注释——输入是什么、输出是什么、成功标准是什么。这个项目就是「输入一张人脸图 / 输出 15 个点的坐标 / 成功标准是点能画在五官上」。别小看这三行，它能挡住很多「写了一堆代码但不知道自己要做啥」的时刻。

我刚开始学的时候，最大的教训是急着调模型结构。第一次跑这个项目，损失不降，我第一反应是「网络太浅了」，于是加卷积层、加通道数，折腾了一整晚，最后发现问题出在坐标忘了归一化——数据这一层错了，模型再深也没用。从那以后我每次跑新流程，都强制按「先看一张图、再看一组标签、再跑一个批次、最后才看损失」的顺序走一遍，任何一步的输出不符合预期就停下来。这个习惯帮我省下的时间，比任何调参技巧都多。希望帮到你。

本文还有配套的精品资源，点击获取