Skip to content

Latest commit

 

History

History
executable file
·
221 lines (183 loc) · 13.9 KB

README.md

File metadata and controls

executable file
·
221 lines (183 loc) · 13.9 KB

OpenPose

目录

1. 简介

OpenPose人体姿态识别项目是美国卡耐基梅隆大学（CMU）基于卷积神经网络和监督学习并以caffe为框架开发的开源库。可以实现人体动作、面部表情、手指运动等姿态估计，适用于单人和多人，具有极好的鲁棒性，是世界上首个基于深度学习的实时多人二维姿态估计应用。人体姿态估计技术在体育健身、动作采集、3D试衣、舆情监测等领域具有广阔的应用前景。

论文: OpenPose: Realtime Multi-Person 2D Pose Estimation using Part Affinity Fields

avatar

本例程对openpose的人体关键点模型和算法进行移植，使之能在SOPHON BM1684和BM1684X上进行推理测试。

2. 特性

  • 支持18和25个身体关键点检测
  • 支持BM1684X(x86 PCIe、SoC)和BM1684(x86 PCIe、SoC、arm PCIe)
  • 支持FP32、INT8模型编译和推理
  • 支持基于BMCV预处理的C++推理
  • 支持基于OpenCV的Python推理
  • 支持单batch和多batch模型推理
  • 支持图片和视频测试

3. 准备模型与数据

您需要准备用于测试的模型和数据集，如果量化模型，还要准备用于量化的数据集。

本例程在scripts目录下提供了相关模型和数据集的下载脚本download.sh，您也可以自己准备模型和数据集，并参考4. 模型转换进行模型转换。

# 安装unzip，若已安装请跳过，非ubuntu系统视情况使用yum或其他方式安装
sudo apt install unzip
chmod -R +x scripts/
./scripts/download.sh

执行后，模型保存至models/，测试数据集下载并解压至datasets/test/，精度测试数据集下载并解压至datasets/coco/val2017_1000/，量化数据集下载并解压至datasets/coco128/

下载的模型包括：

./models
├── BM1684
│   ├── pose_coco_fp32_1b.bmodel              # 使用TPU-MLIR编译，用于BM1684的FP32 BModel，batch_size=1，18个身体关键点识别
│   ├── pose_coco_int8_1b.bmodel              # 使用TPU-MLIR编译，用于BM1684的INT8 BModel，batch_size=1，18个身体关键点识别
│   ├── pose_coco_int8_4b.bmodel              # 使用TPU-MLIR编译，用于BM1684的INT8 BModel，batch_size=4，18个身体关键点识别
│   └── pose_body_25_fp32_1b.bmodel           # 使用TPU-MLIR编译，用于BM1684的FP32 BModel，batch_size=1，25个身体关键点识别
├── BM1684X
│   ├── pose_coco_fp32_1b.bmodel              # 使用TPU-MLIR编译，用于BM1684X的FP32 BModel，batch_size=1，18个身体关键点识别
│   ├── pose_coco_fp16_1b.bmodel              # 使用TPU-MLIR编译，用于BM1684X的FP16 BModel，batch_size=1，18个身体关键点识别
│   ├── pose_coco_int8_1b.bmodel              # 使用TPU-MLIR编译，用于BM1684X的INT8 BModel，batch_size=1，18个身体关键点识别
│   ├── pose_coco_int8_4b.bmodel              # 使用TPU-MLIR编译，用于BM1684X的INT8 BModel，batch_size=4，18个身体关键点识别
│   └── pose_body_25_fp32_1b.bmodel           # 使用TPU-MLIR编译，用于BM1684X的FP32 BModel，batch_size=1，25个身体关键点识别
│   └── pose_body_25_fp16_1b.bmodel           # 使用TPU-MLIR编译，用于BM1684X的FP16 BModel，batch_size=1，25个身体关键点识别
└── caffe/pose
    ├── coco
    │   ├── pose_iter_440000.caffemodel       # 基于COCO的18个身体关键点识别原始模型
    │   └── pose_deploy_linevec.prototxt      # 基于COCO的18个身体关键点识别原始网络配置文件
    └── body_25
        ├── pose_iter_584000.caffemodel       # 25个身体关键点识别原始模型
        └── pose_deploy.prototxt              # 25个身体关键点识别原始网络配置文件

下载的数据包括：

./datasets
├── test                                      # 测试图片
├── dance_1080P.mp4                           # 测试视频
├── coco128                                   # coco128数据集，用于模型量化
└── coco                                      
    ├── val2017_1000                               # coco val2017_1000数据集：coco val2017中随机抽取的1000张样本
    └── person_keypoints_val2017_1000.json         # coco val2017_1000数据集关键点标签文件，用于计算精度评价指标

4. 模型编译

caffe原始模型需要编译成BModel才能在SOPHON TPU上运行，如果使用下载好的BModel可跳过本节。建议使用TPU-MLIR编译BModel。

模型编译前需要安装TPU-MLIR，具体可参考TPU-MLIR环境搭建。安装好后需在TPU-MLIR环境中进入例程目录。使用TPU-MLIR将caffe模型编译为BModel，具体方法可参考《TPU-MLIR快速入门手册》的“3. 编译caffe模型”(请从算能官网相应版本的SDK中获取)。

  • 生成FP32 BModel

​本例程在scripts目录下提供了TPU-MLIR编译FP32 BModel的脚本，请注意修改gen_fp32bmodel_mlir.sh中的caffe模型路径、生成模型目录和输入大小shapes等参数，并在执行时指定BModel运行的目标平台（支持BM1684/BM1684X），如：

./scripts/gen_fp32bmodel_mlir.sh bm1684
#or
./scripts/gen_fp32bmodel_mlir.sh bm1684x

​执行上述命令会在models/BM1684或models/BM1684X/下生成pose_body_25_fp32_1b.bmodel和pose_coco_fp32_1b.bmodel文件，即转换好的FP32 BModel。

  • 生成FP16 BModel

​本例程在scripts目录下提供了TPU-MLIR编译FP16 BModel的脚本，请注意修改gen_fp16bmodel_mlir.sh中的caffe模型路径、生成模型目录和输入大小shapes等参数，并在执行时指定BModel运行的目标平台（支持BM1684X），如：

./scripts/gen_fp16bmodel_mlir.sh bm1684x

​执行上述命令会在models/BM1684X/下生成pose_body_25_fp16_1b.bmodel和pose_coco_fp16_1b.bmodel文件，即转换好的FP16 BModel。

  • 生成INT8 BModel

​本例程在scripts目录下提供了量化INT8 BModel的脚本，请注意修改gen_int8bmodel_mlir.sh中的caffe模型路径、生成模型目录和输入大小shapes等参数，在执行时输入BModel的目标平台（支持BM1684/BM1684X），如：

./scripts/gen_int8bmodel_mlir.sh bm1684
#或
./scripts/gen_int8bmodel_mlir.sh bm1684x

​上述脚本会在models/BM1684或models/BM1684X/下生成pose_coco_int8_1b.bmodel等文件，即转换好的INT8 BModel。

5. 例程测试

6. 精度测试

6.1 测试方法

首先，参考C++例程或Python例程推理要测试的数据集，生成预测的json文件，注意修改数据集(datasets/coco/val2017_1000)。其中，测试使用的val2017_1000数据集是从coco2017 val数据集中随机抽取1000张样本得到的。然后，使用tools目录下的eval_coco.py脚本，将测试生成的json文件与测试集标签json文件进行对比，计算出目标检测的评价指标，命令如下：

# 安装pycocotools，若已安装请跳过
pip3 install pycocotools
# 请根据实际情况修改程序路径和json文件路径
python3 tools/eval_coco.py --gt_path datasets/coco/person_keypoints_val2017_1000.json --result_json python/results/pose_coco_fp32_1b.bmodel_val2017_1000_opencv_python_result.json

6.2 测试结果

在coco val2017_1000数据集上，精度测试结果如下：

测试平台 测试程序 测试模型 AP@IoU=0.5:0.95 AP@IoU=0.5
BM1684 PCIe openpose_opencv.py pose_coco_fp32_1b.bmodel 0.439 0.693
BM1684 PCIe openpose_opencv.py pose_coco_int8_1b.bmodel 0.433 0.692
BM1684 PCIe openpose_bmcv.pcie pose_coco_fp32_1b.bmodel 0.422 0.698
BM1684 PCIe openpose_bmcv.pcie pose_coco_int8_1b.bmodel 0.413 0.688
BM1684 SoC openpose_opencv.py pose_coco_fp32_1b.bmodel 0.439 0.693
BM1684 SoC openpose_opencv.py pose_coco_int8_1b.bmodel 0.431 0.684
BM1684 SoC openpose_bmcv.soc pose_coco_fp32_1b.bmodel 0.422 0.697
BM1684 SoC openpose_bmcv.soc pose_coco_int8_1b.bmodel 0.413 0.688
BM1684X PCIe openpose_opencv.py pose_coco_fp32_1b.bmodel 0.439 0.693
BM1684X PCIe openpose_opencv.py pose_coco_fp16_1b.bmodel 0.440 0.693
BM1684X PCIe openpose_opencv.py pose_coco_int8_1b.bmodel 0.437 0.691
BM1684X PCIe openpose_bmcv.pcie pose_coco_fp32_1b.bmodel 0.420 0.697
BM1684X PCIe openpose_bmcv.pcie pose_coco_fp16_1b.bmodel 0.420 0.697
BM1684X PCIe openpose_bmcv.pcie pose_coco_int8_1b.bmodel 0.418 0.697
BM1684X SoC openpose_opencv.py pose_coco_fp32_1b.bmodel 0.439 0.693
BM1684X SoC openpose_opencv.py pose_coco_fp16_1b.bmodel 0.439 0.693
BM1684X SoC openpose_opencv.py pose_coco_int8_1b.bmodel 0.436 0.691
BM1684X SoC openpose_bmcv.soc pose_coco_fp32_1b.bmodel 0.420 0.697
BM1684X SoC openpose_bmcv.soc pose_coco_fp16_1b.bmodel 0.420 0.697
BM1684X SoC openpose_bmcv.soc pose_coco_int8_1b.bmodel 0.418 0.697

测试说明：

  1. batch_size=4和batch_size=1的模型精度一致；
  2. AP@IoU=0.5:0.95为area=all对应的指标；
  3. 本例程未提供arm PCIe平台测试结果。

7. 性能测试

7.1 bmrt_test

使用bmrt_test测试模型的理论性能：

# 请根据实际情况修改要测试的bmodel路径和devid参数
bmrt_test --bmodel models/BM1684/pose_coco_fp32_1b.bmodel

测试结果中的calculate time就是模型推理的时间，多batch size模型应当除以相应的batch size才是每张图片的理论推理时间。 测试各个模型的理论推理时间，结果如下：

测试模型 calculate time(ms)
BM1684/pose_coco_fp32_1b.bmodel 125
BM1684/pose_coco_int8_1b.bmodel 63
BM1684/pose_coco_int8_4b.bmodel 16
BM1684X/pose_coco_fp32_1b.bmodel 252
BM1684X/pose_coco_fp16_1b.bmodel 19
BM1684X/pose_coco_int8_1b.bmodel 9.4
BM1684X/pose_coco_int8_4b.bmodel 9.2

测试说明：

  1. 性能测试结果具有一定的波动性；
  2. calculate time已折算为平均每张图片的推理时间；
  3. SoC和PCIe的测试结果基本一致。

7.2 程序运行性能

参考C++例程或Python例程运行程序，并查看统计的解码时间、预处理时间、推理时间、后处理时间。C++例程打印的预处理时间、推理时间、后处理时间为整个batch处理的时间，需除以相应的batch size才是每张图片的处理时间。

在不同的测试平台上，使用不同的例程、模型测试datasets/coco/val2017_1000，性能测试结果如下：

测试平台 测试程序 测试模型 decode_time preprocess_time inference_time postprocess_time
BM1684 SoC openpose_opencv.py pose_coco_fp32_1b.bmodel 13.86 8.03 130.78 3068.47
BM1684 SoC openpose_opencv.py pose_coco_int8_1b.bmodel 13.95 8.20 74.49 3068.18
BM1684 SoC openpose_opencv.py pose_coco_int8_4b.bmodel 14.07 8.81 26.83 3052.46
BM1684 SoC openpose_bmcv.soc pose_coco_fp32_1b.bmodel 5.27 1.24 125.56 302.45
BM1684 SoC openpose_bmcv.soc pose_coco_int8_1b.bmodel 5.24 1.25 62.99 301.48
BM1684 SoC openpose_bmcv.soc pose_coco_int8_4b.bmodel 5.18 1.29 15.77 306.28
BM1684X SoC openpose_opencv.py pose_coco_fp32_1b.bmodel 15.02 7.26 257.63 3111.41
BM1684X SoC openpose_opencv.py pose_coco_fp16_1b.bmodel 15.00 7.30 24.60 3111.20
BM1684X SoC openpose_opencv.py pose_coco_int8_1b.bmodel 15.02 7.33 14.96 3111.70
BM1684X SoC openpose_opencv.py pose_coco_int8_4b.bmodel 14.99 7.42 14.22 3111.17
BM1684X SoC openpose_bmcv.soc pose_coco_fp32_1b.bmodel 4.81 0.45 252.15 295.07
BM1684X SoC openpose_bmcv.soc pose_coco_fp16_1b.bmodel 4.76 0.45 19.02 300.03
BM1684X SoC openpose_bmcv.soc pose_coco_int8_1b.bmodel 4.76 0.45 9.37 293.81
BM1684X SoC openpose_bmcv.soc pose_coco_int8_4b.bmodel 4.67 0.43 9.25 296.2

测试说明：

  1. 时间单位均为毫秒(ms)，统计的时间均为平均每张图片处理的时间；
  2. 性能测试结果具有一定的波动性，建议多次测试取平均值；
  3. BM1684/1684X SoC的主控CPU均为8核 ARM A53 42320 DMIPS @2.3GHz，PCIe上的性能由于CPU的不同可能存在较大差异；
  4. 图片分辨率对解码时间影响较大，推理结果对后处理时间影响较大，不同的测试图片可能存在较大差异；

8. FAQ

请参考FAQ查看一些常见的问题与解答。