如何使用五行Python代码轻松实现批量抠图
时间：2022-07-27 11:17:28 | 栏目：Python代码 | 点击：次
前言
你是否曾经想将某张照片中的人物抠出来，然后拼接到其他图片上去，从而可以即使你在天涯海角，我也可以到此一游？
专业点的人使用 PhotoShop 的“魔棒”工具可以抠图，非专业人士可以使用各种美图 APP 来实现，但是他们毕竟处理能力有限，一次只能处理一张图片，而且比较复杂的图像可能耗时较久。
今天我来向大家展示第三种途径——用 Python 一键批量抠图。
准备工作
既然要装逼，准备工作是少不了的。所谓“站在巨人的肩膀上，做事事半功倍”，我们这里的“巨人”就是 paddlepaddle 了，中文名称叫“飞桨”，那么这个 paddlepaddle 是什么呢？
它是“源于产业实践的开源深度学习平台，致力于让深度学习技术的创新与应用更简单”，直白点就是我帮你实现了深度学习底层框架，你只要有创意就可以在我平台上运用少量简单代码轻松实现。它的官网是 https://www.paddlepaddle.org.cn/ 。
它的安装也比较简单，官网首页就有安装指引，我们这里根据官网的安装指引，使用 pip 方式来安装 CPU 版本。
我们首先执行语句：
python -m pip install paddlepaddle -i https://mirror.baidu.com/pypi/simple
安装成功后，我们在 python 环境中测试一下是否安装成功（这个也是按照官网指引来做），我们切换到 python 环境，运行如下代码：
Python 3.7.0 (v3.7.0:1bf9cc5093, Jun 26 2018, 23:26:24) [Clang 6.0 (clang-600.0.57)] on darwin Type "help", "copyright", "credits" or "license" for more information. >>> import paddle.fluid >>> paddle.fluid.install_check.run_check() Running Verify Paddle Program ... Your Paddle works well on SINGLE GPU or CPU. I0506 21:47:48.657404 2923565952 parallel_executor.cc:440] The Program will be executed on CPU using ParallelExecutor, 2 cards are used, so 2 programs are executed in parallel. W0506 21:47:48.658407 2923565952 fuse_all_reduce_op_pass.cc:74] Find all_reduce operators: 2. To make the speed faster, some all_reduce ops are fused during training, after fusion, the number of all_reduce ops is 1. I0506 21:47:48.658516 2923565952 build_strategy.cc:365] SeqOnlyAllReduceOps:0, num_trainers:1 I0506 21:47:48.659137 2923565952 parallel_executor.cc:307] Inplace strategy is enabled, when build_strategy.enable_inplace = True I0506 21:47:48.659595 2923565952 parallel_executor.cc:375] Garbage collection strategy is enabled, when FLAGS_eager_delete_tensor_gb = 0 Your Paddle works well on MUTIPLE GPU or CPU. Your Paddle is installed successfully! Let's start deep Learning with Paddle now >>>
看到 Your Paddle is installed successfully 就表示安装成功了。
我们接下来需要使用的是这个平台的 paddlehub 工具，所以我们还需要安装 paddlehub ：
pip install -i https://mirror.baidu.com/pypi/simple paddlehub
安装完成后，我们就可以开始运用了。
代码实现
我们的实现步骤很简单：导入模块 -> 加载模型 -> 获取图片文件 -> 调用模块抠图。
下面我们看代码实现：
import os, paddlehub as hub
huseg = hub.Module(name='deeplabv3p_xception65_humanseg') # 加载模型
path = './imgs/' # 文件目录
files = [path + i for i in os.listdir(path)] # 获取文件列表
results = huseg.segmentation(data={'image': files}) # 抠图
我将图片放在代码文件夹的同级目录 imgs 文件夹下，运行代码后，输出的抠图图片会自动放在代码同级目录的 humanseg_output 目录下，文件名称跟原图片的名称相同，但是文件格式是 png 。
我在 imgs 目录下放了5张图片，为了便于展示，我将他们放在一起截图：
原图片
运行程序后，在 humanseg_output 目录下生成了5张图片，同样的，我将他们放在一起截图：
抠图图片
我们可以看到程序将每张图片中的人物（可以是一个，也可以是多个）识别出来，并且抠出来成图，背景是白色。虽然有些细节处还有些许瑕疵，但是看起来还算不错。
补充：可能遇到的坑
1. 报错RuntimeError: Environment Variable CUDA_VISIBLE_DEVICES is not set correctly. If you wanna use gpu, please set CUDA_VISIBLE_DEVICES as cuda_device_id.
import os os.environ['CUDA_VISIBLE_DEVICES'] = '0'
或
set CUDA_VISIBLE_DEVICES=0
总结
本文基于 paddlepaddle 平台，使用简单的五行代码实现了批量抠图，不仅解放了好多人的双手和双眼，而且为某些程序猿/程序媛的装逼工具箱提供了一件宝器。下次如果碰到某个女生或者闺蜜在为抠图发愁，别忘了掏出神器，赢得芳心哦！