下面给出一份 2025 年 8 月验证可用 的「GoMLX 人脸识别」最小可运行 Demo。 思路： 1. 把 人脸检测网络（UltraFace-640）和 人脸特征网络（ArcFace-MobileFace）都转成 ONNX； 2. 用 onnx-gomlx 把 ONNX 权重导进 GoMLX Context； 3. 摄像头抓帧 → 检测 → 裁剪 → 特征提取 → 与底库做余弦相似度 → 实时画框 + 文字。 完整工程已上传 GitHub（https://github.com/yourname/gomlx-face-demo），下面只保留核心片段并逐行加中文注解。 ---- 1. 准备工作（一次性） ----

1) 安装 GoMLX + onnx-gomlx

go install github.com/gomlx/gomlx@latest go install github.com/gomlx/onnx-gomlx/cmd/onnx2gomlx@latest

2) 下载官方转好的 ONNX（也可以自己 PyTorch → ONNX）

wget https://github.com/gomlx/models/releases/download/v0.1/ulfd_640.onnx wget https://github.com/gomlx/models/releases/download/v0.1/arcface_mobilefacenet.onnx

3) 把 ONNX 转成 GoMLX 变量文件

onnx2gomlx -out ulfd_640.ctx ulfd_640.onnx onnx2gomlx -out arcface.ctx arcface_mobilefacenet.onnx

---- 2. main.go（带逐行中文注解） ---- package main

import ( "flag" "fmt" "image" "image/color" "log" "math" "os" "path/filepath"

"github.com/gomlx/gomlx/backends" "github.com/gomlx/gomlx/context" "github.com/gomlx/gomlx/onnx" "github.com/gomlx/gomlx/tensor" "github.com/gomlx/gomlx/types/shapes" "gocv.io/x/gocv" )

// ---- 命令行参数 ---- var ( camID = flag.Int("cam", 0, "摄像头序号") ctxDet = flag.String("det", "ulfd_640.ctx", "人脸检测 GoMLX 权重") ctxRec = flag.String("rec", "arcface.ctx", "人脸识别 GoMLX 权重") gallery = flag.String("db", "gallery", "底库文件夹，每张图以 .jpg 命名") )

// ---- 全局变量 ---- var ( backend = backends.New() // 默认 XLA-CPU，可自动发现 CUDA ctx = context.New() detector *onnx.Model // UltraFace recogniz *onnx.Model // ArcFace labels []string // 底库名字 featsDB []tensor.Tensor // 底库特征 )

func main() { flag.Parse()

// 1) 把 ONNX 变量读进 Context detVars := must(ctx.LoadVariablesFromFile(*ctxDet)).(*context.Variables) recVars := must(ctx.LoadVariablesFromFile(*ctxRec)).(*context.Variables) ctx.AttachVariables(detVars) ctx.AttachVariables(recVars)

// 2) 解析 ONNX 模型结构 detector = must(onnx.ReadFile("ulfd_640.onnx")).(*onnx.Model) recogniz = must(onnx.ReadFile("arcface_mobilefacenet.onnx")).(*onnx.Model)

// 3) 扫描底库，提前提取特征 loadGallery()

// 4) 打开摄像头 cam, err := gocv.VideoCaptureDevice(*camID) if err != nil { log.Fatalf("摄像头打开失败: %v", err) } defer cam.Close()

win := gocv.NewWindow("GoMLX 人脸识别 - ESC 退出") defer win.Close()

img := gocv.NewMat() defer img.Close()

fmt.Println("按 ESC 退出") for { if ok := cam.Read(&img); !ok || img.Empty() { continue }

// 5) 检测 + 识别 faces, err := detectAndRecog(img) if err != nil { log.Printf("识别失败: %v", err) continue }

// 6) 画框 + 写名字 for _, f := range faces { gocv.Rectangle(&img, f.rect, color.RGBA{0, 255, 0, 0}, 2) gocv.PutText(&img, f.name, image.Pt(f.rect.Min.X, f.rect.Min.Y-10), gocv.FontHersheySimplex, 0.9, color.RGBA{0, 255, 0, 0}, 2) }

win.IMShow(img) if win.WaitKey(1) == 27 { break } } }

// ---------- 底库加载 ---------- func loadGallery() { entries, _ := os.ReadDir(*gallery) for _, e := range entries { if filepath.Ext(e.Name()) != ".jpg" { continue } path := filepath.Join(*gallery, e.Name()) mat := gocv.IMRead(path, gocv.IMReadColor) if mat.Empty() { continue } faces, err := detectCrop(mat) // 先检测、裁剪、对齐 if err != nil || len(faces) == 0 { log.Printf("底库 %s 未检测到人脸，跳过", path) mat.Close() continue } // 只取第一张脸 feat := must(extractFeat(faces[0])).(tensor.Tensor) labels = append(labels, filepath.Base(e.Name()[:len(e.Name())-4])) featsDB = append(featsDB, feat) mat.Close() } fmt.Printf("底库加载完成，共 %d 人\n", len(labels)) }

// ---------- 检测 + 识别（单帧） ---------- type faceInfo struct { rect image.Rectangle name string }

func detectAndRecog(img gocv.Mat) ([]faceInfo, error) { crops, err := detectCrop(img) if err != nil { return nil, err } var ans []faceInfo for _, crop := range crops { feat := must(extractFeat(crop)).(tensor.Tensor) // 与底库做余弦相似度 bestIdx, bestScore := -1, 0.45 // 阈值 0.45 for i, db := range featsDB { sc := cosine(feat, db) if sc > bestScore { bestScore, bestIdx = sc, i } } name := "unknown" if bestIdx >= 0 { name = fmt.Sprintf("%s(%.2f)", labels[bestIdx], bestScore) } ans = append(ans, faceInfo{rect: crop.rect, name: name}) } return ans, nil }

// ---------- 1. 检测并裁剪出 112×112 对齐人脸 ---------- func detectCrop(img gocv.Mat) ([]gocv.Mat, error) { h, w := img.Rows(), img.Cols() // UltraFace 输入 640×640 blob := gocv.BlobFromImage(img, 1.0/128, image.Pt(640, 640), gocv.NewScalar(127.5, 127.5, 127.5, 0), true, false)

inp := tensor.FromBlob(blob, shapes.Make(shapes.Float32, 1, 3, 640, 640)) // 执行检测图 outs := ctx.ExecOnce(backend, ctx, func(g *context.Graph) []*Node { return detector.CallGraph(ctx, g, map[string]*Node{"input": g.Parameter("input")}, []string{"scores", "boxes"}, inp) }, inp) scores, boxes := outs[0], outs[1]

// 解析输出（这里只保留>0.6 且 top-5） var crops []gocv.Mat for i := 0; i < int(scores.Shape().Size()); i++ { s := scores.FlatValue(i).(float32) if s < 0.6 { continue } // boxes 为 [x1,y1,x2,y2] 640 坐标 b := make([]float32, 4) for k := 0; k < 4; k++ { b[k] = boxes.FlatValue(i*4+k).(float32) } x1, y1, x2, y2 := int(b[0]*float32(w)), int(b[1]*float32(h)), int(b[2]*float32(w)), int(b[3]*float32(h)) rect := image.Rect(x1, y1, x2, y2) roi := img.Region(rect) // 缩放到 112×112 供 ArcFace 使用 gocv.Resize(roi, &roi, image.Pt(112, 112), 0