【DFL学习日记#2】Extractor.py 切脸工作流

首先，bat文件向main.py传递参数。
bat内容：

main.py" extract ^
    --input-dir "%WORKSPACE%\data_dst" ^
    --output-dir "%WORKSPACE%\data_dst\aligned" ^
    --detector s3fd ^
    --max-faces-from-image 0 ^
    --output-debug

经过：【学习日记】DeepfaceLab入口文件main.py整体注释 - Deep 换脸 - BBS_Monster
执行：mainscripts\Extractor.py
代码比较多，我上传py文件到本帖

Extractor.py 最终输出的是图片文件，具体来说：

1. 1.
   输出为包含人脸的 JPEG 图像文件，保存在指定的输出目录中
2. 2.
   输出文件名格式为 {原始文件名}_{人脸索引}.jpg
3. 3.
   这些 JPEG 文件实际上是 DFLIMG 格式（DeepFaceLab 自定义格式），包含了额外的元数据
4. 4.
   元数据包括：人脸类型、地标点信息、源文件名、源矩形区域、图像变换矩阵等
## 关于图像旋转与对齐
1. 1.
   旋转处理 ：
   
   - 在检测阶段，代码会尝试对图像进行不同角度的旋转（0°、90°、270°、180°）以提高人脸检测率
   - 当图像被旋转后，在 landmarks_stage 函数中，代码会将检测到的矩形框和地标点转换回原始坐标系
   - 这确保了即使在旋转的图像上检测到人脸，最终的坐标也是相对于原始图像的
2. 2.
   人脸对齐 ：
   
   - 在 final_stage 函数中，代码使用 LandmarksProcessor.get_transform_mat 计算一个仿射变换矩阵
   - 这个矩阵基于检测到的面部地标点，将人脸区域进行对齐和标准化
   - 使用 cv2.warpAffine 应用这个变换矩阵，提取出对齐后的人脸图像
   - 对齐后的人脸图像大小为指定的 image_size 参数（默认为 512 或 768）
3. 3.
   不同人脸类型的处理 ：
   
   - 根据选择的 face_type（FULL、WHOLE_FACE、HEAD），变换矩阵会调整以提取适当大小的区域
   - 例如，HEAD 类型会提取整个头部区域，而 FULL_FACE 仅提取面部区域
总结：Extractor.py 文件从输入图像中检测人脸，对检测到的人脸进行对齐和标准化处理，然后保存为包含元数据的 JPEG 文件，以便后续在 DeepFaceLab 中使用。在这个过程中，代码会处理图像旋转问题，确保检测结果准确，并对人脸进行对齐以标准化输出。