AI读脸术结果可视化：生成统计图表的Python脚本示例-程序员充电站

AI读脸术结果可视化：生成统计图表的Python脚本示例

1. 什么是AI读脸术？从识别到可视化的完整闭环

你有没有试过上传一张自拍，几秒钟后就看到图上自动标出“Male, (35-42)”或者“Female, (20-25)”？这不是魔法，而是我们常说的“AI读脸术”——一种轻量但实用的人脸属性分析能力。

它不追求生成逼真图像，也不需要GPU跑大模型，而是专注做一件事：快速、稳定、准确地回答两个最基础也最常用的问题——这张脸是男是女？大概多大年纪？

很多人以为这类功能必须依赖PyTorch或TensorFlow，动辄几百MB模型、需要CUDA环境。但其实，用OpenCV自带的DNN模块，加载几个Caffe格式的小模型（总大小不到50MB），就能在普通CPU上跑出毫秒级响应。更关键的是，它已经封装成开箱即用的WebUI镜像——你不需要写一行代码，点一下按钮，上传图片，结果就出来了。

但问题来了：单张图片的识别结果，只是“一个答案”。而真实业务中，我们往往需要处理几十张、上百张人脸照片，比如员工打卡记录、活动签到合影、用户调研样本等。这时候，光看单张标注远远不够，我们需要知道：

这批人里，男女比例是多少？
年龄段分布集中在哪些区间？
是否存在明显偏差（比如全是20-25岁，几乎没有40岁以上）？

这就引出了今天的核心：把AI读脸术的原始识别结果，变成一眼能看懂的统计图表。不是靠人工数标签，而是用一段简短、清晰、可复用的Python脚本，自动汇总、分类、绘图——让数据自己说话。

下面我们就从零开始，手把手写出这个“结果可视化脚本”，并确保它能直接对接你正在使用的AI读脸术镜像输出。

2. 理解AI读脸术的输出格式：结构化才是可视化的前提

在动手写可视化脚本前，必须先搞清楚：AI读脸术返回的到底是什么？

好消息是，它不返回一堆乱码或二进制流，而是标准、干净的JSON结构。你上传一张图后，WebUI后台实际调用的是一个HTTP接口（通常是/analyze），返回类似这样的内容：

{ "status": "success", "results": [ { "bbox": [124, 87, 215, 298], "gender": "Female", "age_range": "(25-32)", "confidence": 0.92 }, { "bbox": [342, 91, 438, 305], "gender": "Male", "age_range": "(35-42)", "confidence": 0.87 } ] }

别被bbox吓到，它只是四个数字：[x, y, width, height]，表示人脸框在图中的位置。对我们做统计来说，真正有用的只有三列：

gender：字符串，值为"Male"或"Female"
age_range：字符串，格式固定为"(XX-YY)"，比如"(20-25)"、"(48-56)"
（可选）confidence：置信度，可用于后续质量过滤

也就是说，只要拿到一批这样的JSON文件（每张图一个JSON），我们就拥有了完整的结构化数据源。可视化脚本要做的，就是把这些分散的JSON“拼起来”，变成一张表，再画成图。

2.1 数据准备：如何批量获取识别结果？

你不需要手动一张张点网页下载JSON。有三种高效方式：

方式一：使用curl命令批量提交
把所有图片放在./input_photos/目录下，用以下命令一键提交（假设镜像服务运行在本地http://localhost:8000）：
```
for img in ./input_photos/*.jpg; do filename=$(basename "$img") curl -X POST http://localhost:8000/analyze \ -F "image=@$img" \ -o "./output_json/${filename%.jpg}.json" done
```

方式二：用Python requests批量调用（推荐，更可控）

import requests import os url = "http://localhost:8000/analyze" input_dir = "./input_photos" output_dir = "./output_json" os.makedirs(output_dir, exist_ok=True) for img_file in os.listdir(input_dir): if img_file.lower().endswith(('.jpg', '.jpeg', '.png')): with open(os.path.join(input_dir, img_file), "rb") as f: files = {"image": f} r = requests.post(url, files=files) if r.status_code == 200: with open(os.path.join(output_dir, f"{os.path.splitext(img_file)[0]}.json"), "w") as out_f: out_f.write(r.text)

方式三：直接使用镜像内置的批量API（如有）
部分升级版镜像已支持/batch_analyze接口，一次传入ZIP包，返回ZIP包含所有JSON。具体请查看镜像文档页的API说明。

无论哪种方式，最终你都会得到一个./output_json/文件夹，里面是几十个.json文件，每个对应一张图的识别结果。这就是我们可视化脚本的“原材料”。

3. 核心脚本：120行代码搞定统计与绘图

下面这段Python脚本，就是专为你写的“AI读脸术结果可视化引擎”。它不依赖任何复杂框架，只用json、pandas、matplotlib和seaborn（都是常见库，pip install pandas matplotlib seaborn即可）。

它能自动完成四件事：
扫描整个JSON文件夹
提取每张图中所有人脸的性别与年龄段
按年龄段分组（自动识别(20-25)、(35-42)等并归入对应区间）
生成三张专业图表：性别饼图、年龄段直方图、年龄-性别交叉热力图

3.1 完整可运行脚本（复制即用）

# save as visualize_results.py import json import os import pandas as pd import matplotlib.pyplot as plt import seaborn as sns import re # 设置中文字体支持（防止中文显示为方块） plt.rcParams['font.sans-serif'] = ['SimHei', 'Arial Unicode MS', 'DejaVu Sans'] plt.rcParams['axes.unicode_minus'] = False def parse_age_range(age_str): """从'(25-32)'提取中心值，用于排序分组""" match = re.search(r'\((\d+)-(\d+)\)', age_str) if match: low, high = int(match.group(1)), int(match.group(2)) return (low + high) // 2 return 0 def load_all_results(json_dir): """加载所有JSON文件，返回扁平化的结果列表""" results = [] for fname in os.listdir(json_dir): if fname.endswith('.json'): try: with open(os.path.join(json_dir, fname), 'r', encoding='utf-8') as f: data = json.load(f) if data.get("status") == "success": for face in data.get("results", []): results.append({ "filename": fname, "gender": face.get("gender", "Unknown"), "age_range": face.get("age_range", "Unknown"), "age_center": parse_age_range(face.get("age_range", "")) }) except Exception as e: print(f"跳过文件 {fname}：{e}") return results def create_age_bins(df, bin_width=10): """按bin_width创建年龄段分组，如0-9,10-19,...""" if df.empty: return df min_age = max(0, df["age_center"].min() // bin_width * bin_width) max_age = (df["age_center"].max() // bin_width + 1) * bin_width bins = list(range(min_age, max_age + bin_width, bin_width)) labels = [f"{i}-{i+bin_width-1}" for i in bins[:-1]] df["age_group"] = pd.cut(df["age_center"], bins=bins, labels=labels, include_lowest=True) return df def main(): # 步骤1：加载数据 json_dir = "./output_json" print(f"正在从 {json_dir} 加载识别结果...") raw_data = load_all_results(json_dir) if not raw_data: print(" 未找到有效识别结果，请检查 output_json 目录是否为空或JSON格式是否正确。") return df = pd.DataFrame(raw_data) print(f" 成功加载 {len(df)} 条人脸记录（来自 {df['filename'].nunique()} 张图片）") # 步骤2：清洗与分组 df = df[df["gender"].isin(["Male", "Female"])] # 过滤掉Unknown df = create_age_bins(df, bin_width=10) # 步骤3：生成图表 fig, axes = plt.subplots(2, 2, figsize=(14, 10)) fig.suptitle("AI读脸术结果统计分析报告", fontsize=16, fontweight='bold') # 子图1：性别分布饼图 gender_counts = df["gender"].value_counts() axes[0, 0].pie(gender_counts, labels=gender_counts.index, autopct='%1.1f%%', startangle=90) axes[0, 0].set_title(" 性别分布") # 子图2：年龄段直方图 if not df["age_group"].isna().all(): age_hist = df["age_group"].value_counts().sort_index() axes[0, 1].bar(age_hist.index.astype(str), age_hist.values, color="#4CAF50", alpha=0.8) axes[0, 1].set_title(" 年龄段分布（每10岁一组）") axes[0, 1].tick_params(axis='x', rotation=30) # 子图3：年龄-性别交叉热力图 if not df["age_group"].isna().all(): pivot = pd.crosstab(df["age_group"], df["gender"]).reindex( columns=["Male", "Female"], fill_value=0 ) sns.heatmap(pivot, annot=True, fmt="d", cmap="Blues", ax=axes[1, 0]) axes[1, 0].set_title("🌡 年龄 × 性别热度分布") # 子图4：原始年龄段频次（精确到模型输出的区间） if not df["age_range"].isna().all(): top_ranges = df["age_range"].value_counts().head(10) axes[1, 1].barh(top_ranges.index, top_ranges.values, color="#2196F3", alpha=0.8) axes[1, 1].set_title(" 模型原生年龄段频次（Top 10）") axes[1, 1].invert_yaxis() plt.tight_layout() plt.savefig("./face_analysis_report.png", dpi=300, bbox_inches='tight') plt.show() # 步骤4：打印简明摘要 print("\n 统计摘要：") print(f"• 总检测人脸数：{len(df)}") print(f"• 涉及图片数：{df['filename'].nunique()}") print(f"• 男性占比：{100*gender_counts.get('Male',0)/len(df):.1f}%") print(f"• 女性占比：{100*gender_counts.get('Female',0)/len(df):.1f}%") if not df["age_group"].isna().all(): print(f"• 最集中年龄段：{df['age_group'].mode().iloc[0]}") if __name__ == "__main__": main()

3.2 运行效果预览

当你执行python visualize_results.py后，会看到终端输出类似：

正在从 ./output_json 加载识别结果... 成功加载 47 条人脸记录（来自 23 张图片） 统计摘要： • 总检测人脸数：47 • 涉及图片数：23 • 男性占比：55.3% • 女性占比：44.7% • 最集中年龄段：30-39

同时，当前目录下会生成一张高清PNG图：face_analysis_report.png，包含四张专业图表，如下所示（文字描述）：

左上：一个清晰的饼图，标出男女百分比；
右上：横向柱状图，显示“0-9”、“10-19”…“60-69”各年龄段人数；
左下：热力图，横轴是年龄段，纵轴是性别，颜色越深代表该组合出现越多；
右下：横向条形图，列出模型原始输出的Top 10年龄段，如(25-32)、(35-42)等，直观反映模型偏好。

所有图表均支持中文标题与坐标轴，无需额外配置字体。

4. 进阶技巧：让可视化更贴合你的业务场景

上面的脚本是通用版，但你可以轻松根据实际需求微调，让它真正“为你所用”。

4.1 按来源分组：区分不同活动/渠道的人群画像

如果你的图片来自多个活动（比如“校园招聘”、“线上直播”、“门店打卡”），只需在JSON中加一个source字段：

{ "status": "success", "source": "campus_recruitment", "results": [ ... ] }

然后修改脚本中的load_all_results()函数，在results.append(...)时加入"source": data.get("source", "unknown")，后续就能用sns.catplot(..., hue="source")画出分渠道对比图。

4.2 过滤低置信度结果：提升统计可信度

模型有时会对模糊人脸给出低置信度（如confidence < 0.7）。你可以在加载阶段直接过滤：

conf = face.get("confidence", 0.0) if conf >= 0.75: # 只保留高置信度结果 results.append({ ... })

这样生成的图表，就完全基于“靠谱”的识别结果，避免噪声干扰决策。

4.3 导出Excel报表：给非技术人员看

加几行代码，就能导出带格式的Excel：

# 在main()末尾添加 with pd.ExcelWriter("./face_analysis_summary.xlsx") as writer: df.to_excel(writer, sheet_name="Raw Data", index=False) gender_counts.to_frame("Count").to_excel(writer, sheet_name="Gender Summary") age_hist.to_frame("Count").to_excel(writer, sheet_name="Age Group Summary") print(" Excel报表已保存：face_analysis_summary.xlsx")

领导或运营同事打开Excel，就能看到原始数据+汇总表，无需安装Python。

5. 总结：从单点识别到群体洞察，只差一个脚本的距离

AI读脸术的价值，从来不止于“在图上打个标签”。当它被嵌入工作流，配合简单的数据处理与可视化，就能迅速升级为人群画像分析工具。

你不需要成为数据科学家，也不必重写模型。只需要理解它的输出格式，用120行Python把零散结果聚合成结构化表格，再用成熟绘图库把它变成直观图表——整个过程，5分钟就能跑通。

更重要的是，这个脚本是完全可迁移的。今天用在AI读脸术上，明天换成另一个识别人脸情绪的模型，只要它的JSON输出里有emotion和confidence字段，你只需改两行代码，就能立刻生成“情绪分布雷达图”。

技术真正的力量，不在于多炫酷，而在于多好用、多省事、多贴近真实需求。希望这个脚本，能帮你把AI读脸术，真正用起来、用得深、用出价值。

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。

AI读脸术结果可视化：生成统计图表的Python脚本示例