Skip to content

Latest commit

 

History

History
 
 

openpose_body_estimation

Folders and files

NameName
Last commit message
Last commit date

parent directory

..
module.py
module.py
 
 
processor.py
processor.py
 
 
readme.md
readme.md
 
 
test.py
test.py
 
 

readme.md

openpose_body_estimation

模型名称 openpose_body_estimation
类别 图像-关键点检测
网络 two-branch multi-stage CNN
数据集 MPII, COCO 2016
是否支持Fine-tuning 否
模型大小 185M
最新更新日期 2021-06-28
数据指标 -

一、模型基本信息

  • 应用效果展示

    • 人体关键点（左）、模型预测效果（右）

  • 模型介绍

    • openpose_body_estimation是基于'Realtime Multi-Person 2D Pose Estimation using Part Affinity Fields'构建的用于肢体关键点检测的模型，该模型可以与openpose_hands_estimation模型联合使用检测肢体和手部关键点。

二、安装

三、模型API预测

  • 1、命令行预测

    • $ hub run openpose_body_estimation --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 paddlehub as hub

model = hub.Module(name='openpose_body_estimation')
result = model.predict('/PATH/TO/IMAGE')
model.save_inference_model('/PATH/TO/SAVE/MODEL')

# PaddleHub示例图片下载方法：
# wget https://paddlehub.bj.bcebos.com/resources/test_image.jpg

  • 3、API

    • def __init__(self, load_checkpoint: str = None):
      • 模型初始化函数
      • 参数
        • load_checkpoint(str): 肢体检测模型，用户可以指定自己的模型地址。 默认为None时，会使用PaddleHub提供的默认模型。
    • def predict(self,
            img, 
            save_path='openpose_body',  
            visualization=True):
      • 识别输入图片中的所有人肢体关键点。
      • 参数
        • img (numpy.ndarray|str): 图片数据，使用图片路径或者输入numpy.ndarray，BGR格式；
        • save_path (str): 图片保存路径， 默认为'openpose_body'；
        • visualization (bool): 是否将识别结果保存为图片文件；
      • 返回
        • res (dict): 识别结果的列表，列表元素为 dict, 有以下两个字段：
          • data : 可视化图片内容(numpy.ndarray，BGR格式);
          • candidate: 图片中所有肢体关键点坐标;
          • subset: 不同的人不同关键点对应的关键点坐标的索引。
    • def save_inference_model(save_dir):
      • 将模型保存到指定路径。
      • 参数
        • save_dir(str): 存在模型的目录名称。

四、服务部署

  • PaddleHub Serving可以部署一个在线肢体关键点检测服务。

  • 第一步：启动PaddleHub Serving

    • 运行启动命令：

    • $ hub serving start -m openpose_body_estimation -p 8866

    • 这样就完成了一个肢体关键点服务化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

import numpy as np


def cv2_to_base64(image):
    data = cv2.imencode('.jpg', image)[1]
    return base64.b64encode(data.tostring()).decode('utf8')

def base64_to_cv2(b64str):
    data = base64.b64decode(b64str.encode('utf8'))
    data = np.fromstring(data, np.uint8)
    data = cv2.imdecode(data, cv2.IMREAD_COLOR)
    return data

# 发送HTTP请求
org_im = cv2.imread('/PATH/TO/IMAGE')
data = {'images':[cv2_to_base64(org_im)]}
headers = {"Content-type": "application/json"}
url = "http://127.0.0.1:8866/predict/openpose_body_estimation"
r = requests.post(url=url, headers=headers, data=json.dumps(data))

canvas = base64_to_cv2(r.json()["results"]['data'])
cv2.imwrite('keypoint_body.png', canvas)

五、更新历史

  • 1.0.0

    初始发布

  • 1.1.0

    • $ hub install openpose_body_estimation==1.1.0