描述 #

图片人脸模糊处理算子

主要功能 #

• 自动检测图片中的人脸并进行模糊处理
• 支持多种模糊类型（均值、盒式、高斯）
• 支持 URL、本地路径、Base64、二进制等多种输入方式
• 可选输出模糊后图片的 Base64 编码以及保存到的路径
• cpu 和 gpu 环境均可运行

适用场景 #

• 隐私合规：发布前对图片中的人脸进行脱敏打码
• 数据预处理：为训练/评测数据集生成带人脸模糊的版本
• 内容审核/展示：对涉及敏感人脸的图片进行自动模糊处理

注意事项 #

• 单条样本处理失败时，该条结果返回 {"base64": None, "image_path": None}，不影响同一批次内其他样本
• 当配置 output_dir 时，模糊后的图片会上传到指定TOS/本地目录

算子参数 #

输入 #

输出 #

处理结果的数组，每个元素包含：

• base64 (str | None): 模糊后图片的 Base64 编码。
• image_path (str | None): 模糊后图片的本地或 TOS 路径；若保存失败或未设置保存，则为 None。
• face_bounding_boxes (list[tuple[int, int, int, int]] | None): 检测到的人脸矩形框列表 (x, y, w, h)；若未检测到人脸或处理失败，则为 None。

参数 #

如参数没有默认值，则为必填参数

调用示例 #

下面的代码展示了如何使用 daft 运行算子对图像中的人脸进行模糊化处理。

from __future__ import annotations

import os

import daft
from daft import col
from daft.las.functions.image import ImageFaceBlur
from daft.las.functions.udf import las_udf

if __name__ == "__main__":
    
    if os.getenv("DAFT_RUNNER", "native") == "ray":
        import logging

        import ray

        def configure_logging():
            logging.basicConfig(
                level=logging.INFO,
                format="%(asctime)s - %(name)s - %(levelname)s - %(message)s",
                datefmt="%Y-%m-%d %H:%M:%S.%s".format(),
            )
            logging.getLogger("tracing.span").setLevel(logging.WARNING)
            logging.getLogger("daft_io.stats").setLevel(logging.WARNING)
            logging.getLogger("DaftStatisticsManager").setLevel(logging.WARNING)
            logging.getLogger("DaftFlotillaScheduler").setLevel(logging.WARNING)
            logging.getLogger("DaftFlotillaDispatcher").setLevel(logging.WARNING)

        ray.init(dashboard_host="0.0.0.0", runtime_env={"worker_process_setup_hook": configure_logging})
        daft.context.set_runner_ray()

    daft.set_execution_config(actor_udf_ready_timeout=600)
    daft.set_execution_config(min_cpu_per_task=0)

    tos_dir_url = os.getenv("TOS_DIR_URL", "las-cn-beijing-public-online.tos-cn-beijing.volces.com")
    samples = {"image_path": [f"https://{tos_dir_url}/public/shared_image_dataset/mengnalisa.png"]}
    ds = daft.from_pydict(samples)

    model_path = os.getenv("MODEL_PATH", "/opt/las/models")
    constructor_kwargs = {
        "model_path": model_path,
        "blur_type": "gaussian",
        "radius": 20.0,
        "return_base64": True
    }

    ds = ds.with_column(
        "results",
        las_udf(
            ImageFaceBlur,
            construct_args=constructor_kwargs,
            num_gpus=0,
            batch_size=1,
            concurrency=1,
        )(col("image_path")),
    )

    ds.show()

    # ╭────────────────────────────────┬────────────────────────────────────────────────────────────────────────────────────╮                  
    # │ image_path                     ┆ results                                                                            │                  
    # │ ---                            ┆ ---                                                                                │
    # │ String                         ┆ Struct[base64: String, image_path: String, face_bounding_boxes: List[List[Int32]]] │
    # ╞════════════════════════════════╪════════════════════════════════════════════════════════════════════════════════════╡
    # │https://las-cn-beijing-public…  ┆ {base64: iVBORw0KGgoAAAANSUhE…                                                     │
    # ╰────────────────────────────────┴────────────────────────────────────────────────────────────────────────────────────╯