ace2p

ace2p

模型名称	ace2p
类别	图像-图像分割
网络	ACE2P
数据集	LIP
是否支持Fine-tuning	否
模型大小	259MB
指标	-
最新更新日期	2021-02-26

一、模型基本信息

• 应用效果展示

  • 网络结构：

    
    

  • 调色板

    
    

  • 样例结果示例：

    

• 模型介绍

  • 人体解析(Human Parsing)是细粒度的语义分割任务，其旨在识别像素级别的人类图像的组成部分（例如，身体部位和服装）。ACE2P通过融合底层特征，全局上下文信息和边缘细节，端到端地训练学习人体解析任务。该结构针对Intersection over Union指标进行针对性的优化学习，提升准确率。以ACE2P单人人体解析网络为基础的解决方案在CVPR2019第三届LIP挑战赛中赢得了全部三个人体解析任务的第一名。该PaddleHub Module采用ResNet101作为骨干网络，接受输入图片大小为473x473x3。

二、安装

• 1、环境依赖

  • paddlepaddle >= 2.0.0

  • paddlehub >= 2.0.0

• 2.安装

  • $ hub install ace2p

  • 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 ace2p --input_path "/PATH/TO/IMAGE"

• 2、预测代码示例

  import paddlehub as hub
  import cv2
  
  human_parser = hub.Module(name="ace2p")
  result = human_parser.segmentation(images=[cv2.imread('/PATH/TO/IMAGE')])

• 3、API

  def segmentation(images=None,
                  paths=None,
                  batch_size=1,
                  use_gpu=False,
                  output_dir='ace2p_output',
                  visualization=False):

  • 预测API，用于图像分割得到人体解析。

  • 参数

    • images (list[numpy.ndarray]): 图片数据，ndarray.shape 为 [H, W, C]，BGR格式；
    • paths (list[str]): 图片的路径；
    • batch_size (int): batch 的大小；
    • use_gpu (bool): 是否使用 GPU；
    • output_dir (str): 保存处理结果的文件目录；
    • visualization (bool): 是否将识别结果保存为图片文件。

  • 返回

    • res (list[dict]): 识别结果的列表，列表中每一个元素为 dict，关键字有'path', 'data'，相应的取值为：
      • path (str): 原输入图片的路径；
      • data (numpy.ndarray): 图像分割得到的结果，shape 为H * W，元素的取值为0-19，表示每个像素的分类结果，映射顺序与下面的调色板相同。

  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可以部署一个人体解析的在线服务。

• 第一步：启动PaddleHub Serving

  • 运行启动命令：

     $ hub serving start -m ace2p

    • 这样就完成了一个人体解析服务化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
    data = {'images':[cv2_to_base64(cv2.imread("/PATH/TO/IMAGE"))]}
    headers = {"Content-type": "application/json"}
    url = "http://127.0.0.1:8866/predict/ace2p"
    r = requests.post(url=url, headers=headers, data=json.dumps(data))
    
    # 打印预测结果
    print(base64_to_cv2(r.json()["results"][0]['data']))

五、更新历史

• 1.0.0

  初始发布

• 1.1.0

  适配paddlehub2.0版本

• 1.2.0

  移除 Fluid API

  $ hub install ace2p == 1.2.0