human_pose_estimation_resnet50_mpii

human_pose_estimation_resnet50_mpii

模型名称	human_pose_estimation_resnet50_mpii
类别	图像-关键点检测
网络	Pose_Resnet50
数据集	MPII
是否支持Fine-tuning	否
模型大小	121M
最新更新日期	2021-02-26
数据指标

一、模型基本信息

• 应用效果展示

• 模型介绍

  • 人体骨骼关键点检测(Pose Estimation) 是计算机视觉的基础算法之一，在很多cv任务中起到了基础性的作用，如行为识别、人物跟踪、步态识别等领域。

二、安装

• 1、环境依赖

  • paddlepaddle >= 1.6.2

  • paddlehub >= 1.6.0 | 如何安装PaddleHub

• 2、安装

  • $ hub install human_pose_estimation_resnet50_mpii

  • 如您安装时遇到问题，可参考：零基础windows安装 | 零基础Linux安装 | 零基础MacOS安装

三、模型API预测

• 1、命令行预测

  • $ hub run human_pose_estimation_resnet50_mpii --input_path "/PATH/TO/IMAGE"

  • 通过命令行方式实现hub模型的调用，更多请见 PaddleHub命令行指令

• 2、预测代码示例

  • import cv2
    import paddlehub as hub
    
    pose_estimation = hub.Module(name="human_pose_estimation_resnet50_mpii")
    
    result = pose_estimation.keypoint_detection(images=[cv2.imread('/PATH/TO/IMAGE')])
    # or
    # result = pose_estimation.keypoint_detection(paths=['/PATH/TO/IMAGE'])
    
    # PaddleHub示例图片下载方法：
    # wget https://paddlehub.bj.bcebos.com/resources/test_image.jpg

• 3、API

  • def keypoint_detection(images=None,
                           paths=None,
                           batch_size=1,
                           use_gpu=False,
                           output_dir='output_pose',
                           visualization=False):

    • 预测API，识别出人体骨骼关键点。
    • 参数
      • images (list[numpy.ndarray]): 图片数据，ndarray.shape 为 [H, W, C]；
      • paths (list[str]): 图片的路径；
      • batch_size (int): batch 的大小；
      • use_gpu (bool): 是否使用 GPU；
      • visualization (bool): 是否将识别结果保存为图片文件；
      • output_dir (str): 图片的保存路径，默认设为 output_pose。
    • 返回
      • res (list): 识别元素的列表，列表元素为 dict，关键字为 'path', 'data'，相应的取值为：
        • path (str): 原图的路径；
        • data (OrderedDict): 人体骨骼关键点的坐标。

  • def save_inference_model(dirname):

    • 将模型保存到指定路径。

    • 参数

      • dirname: 模型保存路径

四、服务部署

• PaddleHub Serving可以部署一个在线人体骨骼关键点识别服务。

• 第一步：启动PaddleHub Serving

  • 运行启动命令：

  • $ hub serving start -m human_pose_estimation_resnet50_mpii -p 8866

  • 这样就完成了一个人体骨骼关键点识别的在线服务API的部署，默认端口号为8866。

  • NOTE: 如使用GPU预测，则需要在启动服务之前，请设置CUDA_VISIBLE_DEVICES环境变量，否则不用设置。

• 第二步：发送预测请求

  • 配置好服务端，以下数行代码即可实现发送预测请求，获取预测结果

  • import requests
    import json
    import cv2
    import base64
    
    
    def cv2_to_base64(image):
        data = cv2.imencode('.jpg', image)[1]
        return base64.b64encode(data.tostring()).decode('utf8')
    
    # 发送HTTP请求
    data = {'images':[cv2_to_base64(cv2.imread("/PATH/TO/IMAGE"))]}
    headers = {"Content-type": "application/json"}
    url = "http://127.0.0.1:8866/predict/human_pose_estimation_resnet50_mpii"
    r = requests.post(url=url, headers=headers, data=json.dumps(data))
    
    # 打印预测结果
    print(r.json()["results"])
    
    # r.json()['results']即为keypoint_detection函数返回的结果

五、更新历史

• 1.0.0

• 1.1.0

• 1.1.1

• 1.2.0

  移除 fluid api

  • $ hub install human_pose_estimation_resnet50_mpii==1.2.0