DamoFD人脸关键点检测实战：导出CSV坐标文件用于后续3D建模输入-平芜编程栈

DamoFD人脸关键点检测实战：导出CSV坐标文件用于后续3D建模输入

你是不是正在为3D建模准备人脸数据？有没有试过手动标注几十张人脸的五点坐标？那种反复点击、校准、保存的流程，既耗时又容易出错。其实，用DamoFD这个轻量级模型，几行代码就能自动完成人脸检测+关键点定位，并把结果导出成标准CSV格式——直接拖进Blender、Maya或者Unity里做面部绑定或表情驱动。

这篇文章不讲论文、不聊参数，只聚焦一件事：怎么把一张普通照片，变成3D建模可用的结构化坐标数据。整个过程不需要编译、不调CUDA版本、不改模型结构，镜像开箱即用，10分钟内跑通全流程。哪怕你刚接触Python，也能照着步骤拿到第一份带坐标的CSV文件。

1. 为什么选DamoFD做3D建模前期准备

很多人一听到“人脸关键点”，第一反应是MediaPipe或dlib——但它们要么依赖OpenCV版本兼容性，要么在低光照下漏检严重。而DamoFD（Face Detection & Landmark）是达摩院专为边缘部署优化的模型，0.5G大小，却能稳定输出五点关键点：左眼中心、右眼中心、鼻尖、左嘴角、右嘴角。这五个点，恰恰是3D建模中最基础、最通用的面部锚点。

它不是追求68点或106点的精细度，而是用极简结构换高鲁棒性：

在侧脸、低头、戴口罩等常见干扰场景下，依然能准确定位；
输出坐标是归一化后的浮点值（0~1范围），方便适配任意分辨率输入；
推理速度快，单图平均耗时不到120ms（RTX 3060），适合批量处理上百张训练素材。

更重要的是，它的输出结构干净——没有多余字段、不嵌套JSON、不打包二进制，就是纯坐标数组。这意味着你不用写解析器，只要加三行代码，就能把它转成Excel打开就用的CSV。

2. 镜像环境快速上手：复制→激活→运行

镜像已预装全部依赖，但默认代码在系统盘/root/DamoFD，直接修改有风险。我们先把它安全迁移到工作区：

2.1 复制代码到可写目录

打开终端，执行：

cp -r /root/DamoFD /root/workspace/ cd /root/workspace/DamoFD

2.2 激活专用环境

conda activate damofd

此时终端提示符前会显示(damofd)，说明环境已就绪。这个环境里已经装好了：

PyTorch 1.11.0 + CUDA 11.3（无需额外配置GPU）
ModelScope 1.6.1（自动加载模型权重）
OpenCV-Python、NumPy、Pandas（CSV导出必备）

注意：不要用pip install或conda install额外安装包，所有依赖都已固化。强行升级可能破坏兼容性。

3. 修改代码：从显示图片到导出CSV

原镜像提供的DamoFD.py和DamoFD-0.5G.ipynb默认只做可视化——画框、标点、弹窗显示。我们要让它“干活”，也就是把关键点坐标存成CSV。

3.1 定位关键输出位置

打开DamoFD.py，找到类似这样的代码段（通常在推理循环末尾）：

# 原始代码：仅打印坐标 print("Landmarks:", landmarks)

这里landmarks是一个形状为(5, 2)的NumPy数组，每行是[x, y]，单位为像素（相对于输入图像宽高）。

3.2 插入CSV导出逻辑

在print语句下方，添加以下四行（注意缩进对齐）：

import pandas as pd df = pd.DataFrame(landmarks, columns=['x', 'y'], index=['left_eye', 'right_eye', 'nose', 'left_mouth', 'right_mouth']) csv_path = img_path.replace('.jpg', '_landmarks.csv').replace('.png', '_landmarks.csv') df.to_csv(csv_path, index=True) print(f" CSV已保存至：{csv_path}")

这段代码做了三件事：

把5个点组织成带行列名的表格（index确保顺序固定，columns明确坐标含义）；
自动根据输入图片名生成同名CSV（如face.jpg→face_landmarks.csv）；
支持.jpg和.png后缀，其他格式可按需扩展。

3.3 验证路径与格式

确保你的图片放在/root/workspace/下，比如：

cp /root/examples/test_face.jpg /root/workspace/

然后修改DamoFD.py中的img_path：

img_path = '/root/workspace/test_face.jpg'

4. 运行并检查CSV内容

执行命令：

python DamoFD.py

你会看到类似输出：

CSV已保存至：/root/workspace/test_face_landmarks.csv

用命令行快速查看内容：

cat /root/workspace/test_face_landmarks.csv

预期输出应为：

, x, y left_eye, 0.324, 0.418 right_eye, 0.672, 0.421 nose, 0.498, 0.583 left_mouth, 0.385, 0.726 right_mouth, 0.612, 0.729

第一列是点名称（保证3D软件能按名读取）
前两列是归一化坐标（0~1），可直接映射到UV空间
无空行、无BOM、无特殊字符——Excel双击即开

小技巧：如果需要像素坐标（比如导入Blender的Geometry Nodes），把landmarks替换成landmarks * [img_width, img_height]即可，代码里已有img.shape[1], img.shape[0]可直接调用。

5. Jupyter Notebook方式：交互式调试更直观

如果你习惯边看效果边调参，推荐用Notebook方式：

5.1 正确选择内核

打开/root/workspace/DamoFD/DamoFD-0.5G.ipynb
点击右上角内核选择器 → 选damofd（不是Python 3）
如果没看到damofd，重启Jupyter服务再试一次

5.2 在指定单元格插入导出代码

找到包含# 可视化结果的代码块，在plt.show()上方插入：

# 新增：导出CSV import pandas as pd df = pd.DataFrame(landmarks, columns=['x', 'y'], index=['left_eye', 'right_eye', 'nose', 'left_mouth', 'right_mouth']) csv_name = img_path.split('/')[-1].rsplit('.', 1)[0] + '_landmarks.csv' df.to_csv('/root/workspace/' + csv_name, index=True) print(f" 已生成：{csv_name}")

点击「Run All」后，不仅能看到画点效果图，还能立刻在左侧文件列表里找到新生成的CSV文件，双击即可在线预览。

6. 批量处理：一次导出百张图的坐标

单张图只是热身，实际建模需要多角度人脸数据。把上面的逻辑封装成批量脚本：

6.1 创建`batch_export.py`

在/root/workspace/DamoFD/下新建文件：

touch batch_export.py

粘贴以下内容：

import os import cv2 import numpy as np import pandas as pd from modelscope.pipelines import pipeline from modelscope.utils.constant import Tasks # 初始化模型（只需一次） detector = pipeline(task=Tasks.face_detection, model='iic/cv_ddsar_face-detection_iclr23-damofd') # 设置图片目录 input_dir = '/root/workspace/faces/' output_dir = '/root/workspace/landmarks_csv/' os.makedirs(output_dir, exist_ok=True) for img_name in os.listdir(input_dir): if not img_name.lower().endswith(('.jpg', '.jpeg', '.png', '.bmp')): continue img_path = os.path.join(input_dir, img_name) img = cv2.imread(img_path) if img is None: print(f" 跳过损坏图片：{img_name}") continue # 推理 result = detector(img) bboxes = result['boxes'] landmarks = result['keypoints'] # 只取置信度最高的一张脸（3D建模通常只需主视角） if len(bboxes) == 0: print(f"❌ 未检测到人脸：{img_name}") continue best_idx = np.argmax([box[-1] for box in bboxes]) best_landmarks = landmarks[best_idx] # shape: (5, 2) # 归一化到0~1（除以图像宽高） h, w = img.shape[:2] norm_landmarks = best_landmarks / [w, h] # 保存CSV df = pd.DataFrame(norm_landmarks, columns=['x', 'y'], index=['left_eye', 'right_eye', 'nose', 'left_mouth', 'right_mouth']) csv_path = os.path.join(output_dir, img_name.rsplit('.', 1)[0] + '_landmarks.csv') df.to_csv(csv_path, index=True) print(f" {img_name} → {os.path.basename(csv_path)}")

6.2 准备图片并运行

mkdir -p /root/workspace/faces/ # 把你的100张正脸/侧脸图放进去 cp /your/photos/*.jpg /root/workspace/faces/ python batch_export.py

运行结束后，/root/workspace/landmarks_csv/下将生成100个CSV文件，每个都严格遵循命名+结构规范。

7. CSV如何对接3D建模软件

导出的CSV不是终点，而是3D流程的起点。以下是三个主流软件的接入方式：

7.1 Blender：用Geometry Nodes读取

添加一个「Object Info」节点 → 「Transform」→ 「Set Position」
用「CSV Reader」插件（如 CSV Importer）导入CSV
将x,y列映射到顶点位置（Z轴设为0）
5个点自动生成空物体，后续可绑定骨骼或驱动Shape Keys

7.2 Maya：用Python脚本批量创建locator

import maya.cmds as cmds import pandas as pd df = pd.read_csv('/path/to/face_landmarks.csv', index_col=0) for idx, row in df.iterrows(): loc = cmds.spaceLocator(name=f'{idx}_loc')[0] cmds.setAttr(f'{loc}.tx', row['x'] * 10) # X放大10倍适配场景 cmds.setAttr(f'{loc}.ty', row['y'] * 10) cmds.setAttr(f'{loc}.tz', 0)

7.3 Unity：C#脚本动态加载

// 读取CSV后，用Vector3[]存储5个点 Vector3[] landmarks = new Vector3[5]; landmarks[0] = new Vector3(csvData["left_eye"]["x"], csvData["left_eye"]["y"], 0); // ... 其余点同理 // 传给SkinnedMeshRenderer或自定义Shader

关键提醒：所有软件都要求坐标系一致。DamoFD输出是OpenCV风格（原点在左上角），而Blender/Maya默认原点在左下角。若发现Y轴反向，把y列替换为1 - y即可。

8. 效果调优：让关键点更贴合3D需求

默认参数适合通用场景，但3D建模对精度更敏感。以下三个调整能显著提升可用性：

8.1 提升检测稳定性

原代码中if score < 0.5: continue是过滤低置信度框。建模素材常有模糊或小脸，建议改为：

if score < 0.35: # 放宽阈值，避免漏检 continue

8.2 强制单脸输出（避免多脸干扰）

在批量脚本中，我们已取置信度最高的脸。若想强制只处理主脸，可加裁剪逻辑：

# 获取最高分bbox，裁剪出人脸区域再测关键点 x1, y1, x2, y2, _ = bboxes[best_idx] face_img = img[int(y1):int(y2), int(x1):int(x2)] result = detector(face_img) # 在裁剪图上重跑，关键点更精准

8.3 坐标平滑处理（对抗抖动）

对视频帧序列建模时，单帧关键点可能跳变。加一个简单均值滤波：

# 假设landmarks_list是连续10帧的list smoothed = np.mean(landmarks_list[-5:], axis=0) # 最近5帧平均

9. 总结：一条从照片到3D的高效链路

回顾整个流程，你其实只做了三件事：
1⃣复制代码到工作区——避开系统盘风险；
2⃣加四行CSV导出代码——把内存数组变成结构化文件；
3⃣批量跑通100张图——用现成脚本替代手动操作。

没有模型训练、没有环境踩坑、没有格式转换工具链。DamoFD的价值，不在于它有多“智能”，而在于它足够“可靠”——在你需要它的时候，稳稳输出那5个坐标点，不多不少，不偏不倚。

下一步，你可以：

把CSV喂给Blender的驱动器，自动生成眨眼动画；
用5点反推头部姿态角，做AR实时跟踪；
结合深度图，把2D关键点升维成3D点云……

技术本身没有边界，限制你的，往往只是第一步是否走得足够轻快。

获取更多AI镜像
想探索更多AI镜像和应用场景？访问 CSDN星图镜像广场，提供丰富的预置镜像，覆盖大模型推理、图像生成、视频生成、模型微调等多个领域，支持一键部署。

DamoFD人脸关键点检测实战：导出CSV坐标文件用于后续3D建模输入