face_landmarks_single_face.py

# Esta obra está licenciada bajo la licencia MIT.
# Copyright (c) 2013-2025 OpenMV LLC. Todos los derechos reservados.
# https://github.com/openmv/openmv/blob/master/LICENSE
#
# Este ejemplo muestra el modelo MediaPipe Face Landmark Detection de Google para un solo rostro.
#
# NOTA: Este ejemplo requiere una OpenMV Cam con NPU, como la AE3 o la N6, para ejecutarse en tiempo real.

import csi
import time
import ml
from ml.preprocessing import Normalization
from ml.postprocessing.mediapipe import BlazeFace
from ml.postprocessing.mediapipe import FaceLandmarks

# Inicializar el sensor.
csi0 = csi.CSI()
csi0.reset()
csi0.pixformat(csi.RGB565)
csi0.framesize(csi.VGA)

# BlazeFace requiere una imagen cuadrada para obtener los mejores resultados.
# FaceLandmarks funciona con imágenes no cuadradas de los recortes de BlazeFace.
csi0.window((400, 400))

# Cargar el modelo integrado de detección de rostros
face_detection = ml.Model("/rom/blazeface_front_128.tflite", postprocess=BlazeFace(threshold=0.4))
print(face_detection)

# Cargar el modelo integrado de puntos de referencia del rostro
face_landmarks = ml.Model("/rom/face_landmarks_192.tflite", postprocess=FaceLandmarks(threshold=0.4))
print(face_landmarks)

# Variables de seguimiento.
n = None

clock = time.clock()
while True:
    clock.tick()
    img = csi0.snapshot()

    if n is None:
        # faces es una lista de tuplas ((x, y, w, h), score, keypoints)
        for r, score, keypoints in face_detection.predict([img]):
            # rect es (x, y, w, h): amplíalo 2 veces para el modelo de puntos de referencia del rostro
            wider_rect = (r[0] - r[2] // 2, r[1] - r[3] // 2, r[2] * 2, r[3] * 2)
            # Operar solo sobre la ROI del rostro detectado
            n = Normalization(roi=wider_rect)

    else:
        # marks es una lista de tuplas ((x, y, w, h), score, keypoints)
        marks = face_landmarks.predict([n(img)])

        # No se detectaron rostros; reiniciar el rastreador.
        if not marks:
            n = None
            continue

        # Dibujar cuadros delimitadores alrededor de los rostros detectados y sus puntos clave.
        for r, score, keypoints in marks:
            ml.utils.draw_predictions(img, [r], ("face",), ((0, 0, 255),), format=None)

            # keypoints es un ndarray de forma (468, 3) donde cada punto clave es (x, y, z)
            ml.utils.draw_keypoints(img, keypoints, radius=0, color=(255, 0, 0))

            # Centrar new_wider_rect en el rostro para el seguimiento
            new_wider_rect = (r[0] + (r[2] // 2) - (wider_rect[2] // 2),
                              r[1] + (r[3] // 2) - (wider_rect[3] // 2),
                              wider_rect[2],
                              wider_rect[3])
            # Operar solo sobre la ROI del rostro detectado
            n = Normalization(roi=new_wider_rect)

    print(clock.fps(), "fps")