Skip to content

Latest commit

 

History

History
 
 

humanseg_server

Folders and files

NameName
Last commit message
Last commit date

parent directory

..
README.md
README.md
 
 
README_en.md
README_en.md
 
 
__init__.py
__init__.py
 
 
data_feed.py
data_feed.py
 
 
module.py
module.py
 
 
optimal.py
optimal.py
 
 
processor.py
processor.py
 
 
test.py
test.py
 
 

README.md

humanseg_server

模型名称 humanseg_server
类别 图像-图像分割
网络 hrnet
数据集 百度自建数据集
是否支持Fine-tuning 否
模型大小 159MB
指标 -
最新更新日期 2021-02-26

一、模型基本信息

  • 应用效果展示

    • 样例结果示例：

  • 模型介绍

    • HumanSeg-server使用百度自建数据集进行训练，可用于人像分割，支持任意大小的图片输入。

    • 更多详情请参考：humanseg_server

二、安装

三、模型API预测

  • 1、命令行预测

    hub run humanseg_server --input_path "/PATH/TO/IMAGE"

  • 2、预测代码示例

    • 图片分割及视频分割代码示例：
    import cv2
import paddlehub as hub

human_seg = hub.Module(name='humanseg_server')
im = cv2.imread('/PATH/TO/IMAGE')
#visualization=True可以用于查看人像分割图片效果，可设置为False提升运行速度。
res = human_seg.segment(images=[im],visualization=True)
print(res[0]['data'])
human_seg.video_segment('/PATH/TO/VIDEO')
    • 视频流预测代码示例：
    import cv2
import numpy as np
import paddlehub as hub

human_seg = hub.Module(name='humanseg_server')
cap_video = cv2.VideoCapture('\PATH\TO\VIDEO')
fps = cap_video.get(cv2.CAP_PROP_FPS)
save_path = 'humanseg_server_video.avi'
width = int(cap_video.get(cv2.CAP_PROP_FRAME_WIDTH))
height = int(cap_video.get(cv2.CAP_PROP_FRAME_HEIGHT))
cap_out = cv2.VideoWriter(save_path, cv2.VideoWriter_fourcc('M', 'J', 'P', 'G'), fps, (width, height))
prev_gray = None
prev_cfd = None
while cap_video.isOpened():
    ret, frame_org = cap_video.read()
    if ret:
        [img_matting, prev_gray, prev_cfd] = human_seg.video_stream_segment(frame_org=frame_org, frame_id=cap_video.get(1), prev_gray=prev_gray, prev_cfd=prev_cfd)
        img_matting = np.repeat(img_matting[:, :, np.newaxis], 3, axis=2)
        bg_im = np.ones_like(img_matting) * 255
        comb = (img_matting * frame_org + (1 - img_matting) * bg_im).astype(np.uint8)
        cap_out.write(comb)
    else:
        break

cap_video.release()
cap_out.release()

  • 3、API

    def segment(images=None,
            paths=None,
            batch_size=1,
            use_gpu=False,
            visualization=False,
            output_dir='humanseg_server_output')

    • 预测API，用于人像分割。

    • 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预测，如果使用GPU预测，则在预测之前，请设置CUDA_VISIBLE_DEVICES环境变量，否则不用设置；
      • 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。

    • 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 'save_path', 'data'，对应的取值为：
        • save_path (str, optional): 可视化图片的保存路径（仅当visualization=True时存在）；
        • data (numpy.ndarray): 人像分割结果，仅包含Alpha通道，取值为0-255 (0为全透明，255为不透明)，也即取值越大的像素点越可能为人体，取值越小的像素点越可能为背景。
    def video_stream_segment(self,
                        frame_org,
                        frame_id,
                        prev_gray,
                        prev_cfd,
                        use_gpu=False):

    • 预测API，用于逐帧对视频人像分割。

    • 参数

      • frame_org (numpy.ndarray): 单帧图片数据，ndarray.shape 为 [H, W, C]，BGR格式；
      • frame_id (int): 当前帧的编号；
      • prev_gray (numpy.ndarray): 前一帧输入网络图像的灰度图；
      • prev_cfd (numpy.ndarray): 前一帧光流追踪图和预测结果融合图
      • use_gpu (bool): 是否使用 GPU预测，如果使用GPU预测，则在预测之前，请设置CUDA_VISIBLE_DEVICES环境变量，否则不用设置；

    • 返回

      • img_matting (numpy.ndarray): 人像分割结果，仅包含Alpha通道，取值为0-1 (0为全透明，1为不透明)。
      • cur_gray (numpy.ndarray): 当前帧输入网络图像的灰度图；
      • optflow_map (numpy.ndarray): 当前帧光流追踪图和预测结果融合图
    def video_segment(self,
                  video_path=None,
                  use_gpu=False,
                  save_dir='humanseg_server_video_result'):

    • 预测API，用于视频人像分割。

    • 参数

      • video_path (str): 待分割视频路径。若为None，则从本地摄像头获取视频，并弹出窗口显示在线分割结果。
      • use_gpu (bool): 是否使用 GPU预测，如果使用GPU预测，则在预测之前，请设置CUDA_VISIBLE_DEVICES环境变量，否则不用设置；
      • save_dir (str): 视频保存路径，仅在video_path不为None时启用，保存离线视频处理结果。
    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可以部署一个人像分割的在线服务。

  • 第一步：启动PaddleHub Serving

    • 运行启动命令：
    $ hub serving start -m humanseg_server

    • 这样就完成了一个人像分割的服务化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，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 base64

import cv2
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/humanseg_server"
r = requests.post(url=url, headers=headers, data=json.dumps(data))

# 保存图片
mask =cv2.cvtColor(base64_to_cv2(r.json()["results"][0]['data']), cv2.COLOR_BGR2GRAY)
rgba = np.concatenate((org_im, np.expand_dims(mask, axis=2)), axis=2)
cv2.imwrite("segment_human_server.png", rgba)

  • Gradio APP 支持

    从 PaddleHub 2.3.1 开始支持使用链接 http://127.0.0.1:8866/gradio/humanseg_server 在浏览器中访问 humanseg_server 的 Gradio APP。

五、更新历史

  • 1.0.0

    初始发布

  • 1.1.0

    提升预测性能

  • 1.1.1

    修复预测后处理图像数据超过[0, 255]范围

  • 1.2.0

    新增视频人像分割接口

    新增视频流人像分割处理接口

  • 1.2.1

    修复cudnn为8.0.4显存泄露问题

  • 1.3.0

    移除 Fluid API

  • 1.4.0

    添加 Gradio APP 支持

    $ hub install humanseg_server == 1.4.0