PrivateFrame — Guide d’installation et d’utilisation
Commencez avec l’application de bureau, automatisez un traitement vidéo ou intégrez-le à Python.
Ce que vous allez mettre en place
Détectez et suivez les visages dans vos vidéos, puis appliquez un flou ou une mosaïque sur votre propre appareil. Sélectionnez tout le monde ou utilisez des photos de référence pour choisir qui reste visible.
Le déploiement commercial avec les modèles préentraînés d’InsightFace nécessite une licence commerciale de modèles distincte.
Découvrez PrivateFrame en action.
Observez le suivi et le masquage des visages dans différentes scènes, avec un flou gaussien ou une mosaïque.
Résultat réel de PrivateFrame. Vérifiez la vidéo traitée avant de la partager.
Ouvrir la vidéoMusique : Tears in Rain de Scott Buckley · CC BY 4.0. Extrait monté et mixé.
Avant de commencer
- Python 3.10+ et une copie à jour du code InsightFace contenant python-package/insightface/app/privateframe/ sont nécessaires. Exécutez les commandes d'installation à la racine de ce dépôt. Ce guide utilise les sources mises à jour ; un ancien dépôt ou un paquet publié peut ne pas encore inclure PrivateFrame.
- Une vidéo locale et un dossier de sortie. Remplacez les chemins /data/... des exemples par ceux de votre appareil. Utilisez un dossier de sortie différent pour chaque exemple afin de conserver les résultats séparément.
- Le traitement vidéo s’exécute localement après l’installation des dépendances et des modèles. Les vidéos et les photos de référence ne sont pas téléversées pour être traitées. Les modèles manquants peuvent être téléchargés à la première utilisation.
1. Guide d’installation et d’utilisation
Python 3.10+ et une copie à jour du code InsightFace contenant python-package/insightface/app/privateframe/ sont nécessaires. Exécutez les commandes d'installation à la racine de ce dépôt. Ce guide utilise les sources mises à jour ; un ancien dépôt ou un paquet publié peut ne pas encore inclure PrivateFrame.
Nécessite Python 3.10 ou ultérieur. Suivez le guide pour installer la version du dépôt mis à jour. Des modèles peuvent devoir être téléchargés au premier lancement. Les modèles préentraînés fournis sont réservés à l’évaluation dans le cadre de recherches non commerciales. Obtenez une licence de modèles avant tout déploiement commercial.
python -m pip install "./python-package[gui]"python -m pip install "./python-package[privateframe]"
insightface-privateframe --help2. Application de bureau
Ouvrez le module PrivateFrame dans InsightFace Evaluation Studio. Choisissez votre vidéo, vos paramètres et le dossier de sortie.
- Ouvrez PrivateFrame dans l’application de bureau InsightFace ou transmettez une vidéo à la CLI ou à l’API Python.
- Choisissez un mode de sélection, ajoutez des photos de référence si nécessaire, puis optez pour le flou ou la mosaïque.
- Exportez une nouvelle vidéo et un JSON d’analyse réutilisable. Vérifiez le résultat avant de le partager.
insightface-gui3. Ligne de commande — Choisissez qui flouter
Traitez une vidéo en une commande ou séparez l’analyse du rendu pour vérifier les résultats et répéter les exports.
Pour les modes avec photos, placez des images JPG, JPEG, PNG ou WebP nettes d'une seule personne directement dans un dossier de référence. Chaque photo fournit uniquement le plus grand visage détecté. Les deux modes exigent au moins un visage de référence utilisable. Par défaut, les visages non reconnus ou incertains restent visibles avec blur_only et sont floutés avec exempt.
- Flouter tous les visages: Masquez tous les visages détectés. Aucune photo de référence ni identification des personnes n’est nécessaire.
- Flouter les personnes sélectionnées: Floutez les personnes correspondant à vos photos de référence et laissez les autres visibles.
- Garder les personnes sélectionnées visibles: Gardez visibles les personnes reconnues et floutez les visages sans correspondance ou dont l’identification est incertaine.
insightface-privateframe process \
--input /data/video.mp4 --output-dir /data/allinsightface-privateframe process \
--input /data/video.mp4 --output-dir /data/selected \
--recognition.mode blur_only \
--recognition.reference_dir /data/reference_photosinsightface-privateframe process \
--input /data/video.mp4 --output-dir /data/exempt \
--recognition.mode exempt \
--recognition.reference_dir /data/reference_photos4. Analysez une fois, recommencez le rendu
Réutilisez le JSON d’analyse pour modifier les paramètres de rendu ou les cadres des visages sans répéter la détection et la reconnaissance.
Oui. Conservez la vidéo d’origine et le JSON d’analyse pour refaire le rendu avec d’autres paramètres de flou, de mosaïque ou d’encodage. Vous pouvez aussi modifier les cadres des visages dans le JSON. Les changements de détection ou d’identification des personnes nécessitent une nouvelle analyse.
insightface-privateframe analyze \
--input /data/video.mp4 --output-dir /data/reviewinsightface-privateframe render \
--input /data/video.mp4 \
--result /data/review/video_privateframe.json \
--redacted /data/review/video_mosaic.mp4 \
--render.redaction.method mosaic5. API Python
Intégrez l’analyse et le rendu à votre application avec des fonctions de rappel pour la progression et l’annulation.
from insightface.app.privateframe import (
analyze_streaming_pipeline,
default_output_paths,
render_streaming_artifacts,
)
from insightface.app.privateframe.base_config import DEFAULT_CONFIG_PATH
paths = default_output_paths("/data/video.mp4", "/data/python_output")
analysis = analyze_streaming_pipeline(
config_path=DEFAULT_CONFIG_PATH,
input_path=paths.source,
workdir=paths.workdir,
result_path=paths.result_json,
)
rendered = render_streaming_artifacts(
input_path=paths.source,
result_path=paths.result_json,
redacted_path=paths.result_video,
config_overrides={"render.redaction.method": "mosaic"},
)6. Traitez, vérifiez et partagez
Exportez une nouvelle vidéo et un JSON d’analyse réutilisable. Vérifiez le résultat avant de le partager.
La comparaison avec les photos peut manquer une personne. Vérifiez les résultats sélectifs avant de les partager ; en mode de floutage des personnes sélectionnées, une personne cible non reconnue peut rester visible.
Non. La détection, le suivi et la comparaison peuvent manquer des visages ou se tromper. Vérifiez la vidéo exportée, notamment les apparitions brèves, les changements de plan et les occultations. Le masquage des visages ne dissimule pas les voix, les noms, les vêtements ni les autres éléments permettant d’identifier une personne.
7. Puis-je utiliser PrivateFrame à des fins commerciales ?
Le code InsightFace est sous licence MIT. Les modèles préentraînés fournis par le projet sont destinés à la recherche non commerciale ; une utilisation commerciale nécessite une autorisation appropriée pour les modèles. Contactez-nous pour discuter de votre déploiement.
Intégrez la confidentialité des visages à vos traitements vidéo.
Le déploiement commercial avec les modèles préentraînés d’InsightFace nécessite une licence de modèles distincte. Le code est sous licence MIT ; les licences du code et des modèles s’appliquent séparément.
Demander une licence commerciale