当前位置:   article > 正文

基于C#和OpenVINO在英特尔独立显卡上部署PP-TinyPose模型

pp-tinypose

作者:杨雪锋 英特尔物联网行业创新大使

目录

1.1 PP-TinyPose模型简介

1.1.1 PP-TinyPose框架

1.2 构建开发环境

1.2.1 下载项目完整源代码

1.3  在C#中调用OpenVINO Runtime API

1.3.1 在C#中构建Core类

1.4 下载并转换PP-PicoDet模型

1.4.1 PP-PicoDet模型简介

1.4.2 模型下载与转换

1.5 下载并转换PP-TinyPose模型

1.5.1 PP-TinyPose模型简介

1.5.2 模块下载与转换

1.6 编写OpenVINO推理程序

1.6.1 实现行人检测

1.6.2 实现人体姿态识别

1.6.3 推理速度测试

1.7 总结与未来工作展望


OpenVINO™ 2022.2版开始支持英特尔独立显卡
,还能通过“累计吞吐量”同时启动集成显卡 + 独立显卡助力全速AI推理。本文基于C#和OpenVINO,将PP-TinyPose模型部署在英特尔独立显卡上。

1.1 PP-TinyPose模型简介

        PP-TinyPose是飞桨PaddleDetecion针对移动端设备优化的实时关键点检测模型,可流畅地在移动端设备上执行多人姿态估计任务。PP-TinyPose可以基于人体17个关键点数据集训练后,识别人体关键点,获得人体姿态,如图 1所示。

1  PP-TinyPose识别效果图

PP-TinyPose开源项目仓库:https://gitee.com/paddlepaddle/PaddleDetection/tree/release/2.5/configs/keypoint/tiny_pose

1.1.1 PP-TinyPose框架

        PP-TinyPose提供了完整的人体关键点识别解决方案,主要包括行人检测以及关键点检测两部分。行人检测通过PP-PicoDet模型来实现,关键点识别通过Lite-HRNet骨干网络+DARK关键点矫正算法来实现,如下图所示。

2 PP-TinyPose人体关键点识别

1.2 构建开发环境

本文构建的开发环境,如下所示:

  • OpenVINOTM:2022.2.0
  • OpenCV:4.5.5
  • Visual Studio:2022
  • C#框架:.NET 6.0
  • OpenCvSharp:OpenCvSharp4

1.2.1 下载项目完整源代码

项目所使用的源码已在完整开源,读者可以直接克隆到本地。

git clone  https://gitee.com/guojin-yan/Csharp_and_OpenVINO_deploy_PP-TinyPose.git

1.3  在C#中调用OpenVINO Runtime API

        由于OpenVINO Runtime只有C++和Python API接口,需要在C#中通过动态链接库方式调用OpenVINO Runtime C++ API。具体教程参考《在C#中调用OpenVINO™ 模型》,对应的参考范例:https://github.com/guojin-yan/OpenVinoSharp.git

1.3.1 在C#中构建Core类

        为了更方便的使用,可以在C#中,将调用细节封装到Core类中。根据模型推理的步骤,构建模型推理类:

(1)构造函数

  1. public Core(string model_file, string device_name){
  2. // 初始化推理核心
  3. ptr = NativeMethods.core_init(model_file, device_name);
  4. }

        在该方法中,主要是调用推理核心初始化方法,初始化推理核心,读取本地模型,将模型加载到设备、创建推理请求等模型推理步骤。

(2)设置模型输入形状

  1. // @brief 设置推理模型的输入节点的大小
  2. // @param input_node_name 输入节点名
  3. // @param input_size 输入形状大小数组
  4. public void set_input_sharp(string input_node_name, ulong[] input_size) {
  5. // 获取输入数组长度
  6. int length = input_size.Length;
  7. if (length == 4) {
  8. // 长度为4,判断为设置图片输入的输入参数,调用设置图片形状方法
  9. ptr = NativeMethods.set_input_image_sharp(ptr, input_node_name, ref input_size[0]);
  10. }
  11. else if (length == 2) {
  12. // 长度为2,判断为设置普通数据输入的输入参数,调用设置普通数据形状方法
  13. ptr = NativeMethods.set_input_data_sharp(ptr, input_node_name, ref input_size[0]);
  14. }
  15. else {
  16. // 为防止输入发生异常,直接返回
  17. return;
  18. }
  19. }

(3)加载推理数据

  1. // @brief 加载推理数据
  2. // @param input_node_name 输入节点名
  3. // @param input_data 输入数据数组
  4. public void load_input_data(string input_node_name, float[] input_data) {
  5. ptr = NativeMethods.load_input_data(ptr, input_node_name, ref input_data[0]);
  6. }
  7. // @brief 加载图片推理数据
  8. // @param input_node_name 输入节点名
  9. // @param image_data 图片矩阵
  10. // @param image_size 图片矩阵长度
  11. public void load_input_data(string input_node_name, byte[] image_data, ulong image_size, int type) {
  12. ptr = NativeMethods.load_image_input_data(ptr, input_node_name, ref image_data[0], image_size, type);
  13. }

        加载推理数据主要包含图片数据和普通的矩阵数据,其中对于图片的预处理,也已经在C++中进行封装,保证了图片数据在传输中的稳定性。

(5)模型推理

  1. // @brief 模型推理
  2. public void infer() {
  3. ptr = NativeMethods.core_infer(ptr);
  4. }

(6)读取推理结果数据

  1. // @brief 读取推理结果数据
  2. // @param output_node_name 输出节点名
  3. // @param data_size 输出数据长度
  4. // @return 推理结果数组
  5. public T[] read_infer_result<T>(string output_node_name, int data_size) {
  6. // 获取设定类型
  7. string t = typeof(T).ToString();
  8. // 新建返回值数组
  9. T[] result = new T[data_size];
  10. if (t == "System.Int32") { // 读取数据类型为整形数据
  11. int[] inference_result = new int[data_size];
  12. NativeMethods.read_infer_result_I32(ptr, output_node_name, data_size, ref inference_result[0]);
  13. result = (T[])Convert.ChangeType(inference_result, typeof(T[]));
  14. return result;
  15. }
  16. else { // 读取数据类型为浮点型数据
  17. float[] inference_result = new float[data_size];
  18. NativeMethods.read_infer_result_F32(ptr, output_node_name, data_size, ref inference_result[0]);
  19. result = (T[])Convert.ChangeType(inference_result, typeof(T[]));
  20. return result;
  21. }
  22. }

        在读取模型推理结果时,支持读取整形数据和浮点型数据。

(7)清除地址

  1. // @brief 删除创建的地址
  2. public void delet() {
  3. NativeMethods.core_delet(ptr);
  4. }
  1.         完成上述封装后,在C#平台下,调用Core类,就可以方便实现OpenVINO推理程序了。

1.4 下载并转换PP-PicoDet模型

1.4.1 PP-PicoDet模型简介

        Picodet_s_320_lcnet_pedestrian Paddle格式模型信息如下表所示,其默认的输入为动态形状,需要将该模型的输入形状变为静态形状。

1 Picodet_s_320_lcnet_pedestrian Paddle格式模型信息

Input

Output

名称

x

concat_8.tmp_0

transpose_8.tmp_0

形状

[bath_size, 3, 320, 320]

[bath_size, 2125, 4]

[bath_size, 1, 2125]

数据类型

Float32

Float32

Float32

1.4.2 模型下载与转换

第一步:下载模型:

        命令行直接输入以下模型导出代码,使用PaddleDetecion自带的方法,下载预训练模型并将模型转为导出格式。

        导出picodet_s_320_lcnet_pedestrian模型:

python tools/export_model.py -c configs/picodet/application/pedestrian_detection/picodet_s_320_lcnet_pedestrian.yml -o export.benchmark=False export.nms=False weights=https://bj.bcebos.com/v1/paddledet/models/keypoint/tinypose_enhance/picodet_s_320_lcnet_pedestrian.pdparams --output_dir=output_inference

        导出picodet_s_192_lcnet_pedestrian模型:

python tools/export_model.py -c configs/picodet/application/pedestrian_detection/picodet_s_192_lcnet_pedestrian.yml -o export.benchmark=False export.nms=False weights=https://bj.bcebos.com/v1/paddledet/models/keypoint/tinypose_enhance/picodet_s_192_lcnet_pedestrian.pdparams --output_dir=output_inference

        此处导出模型的命令与我们常用的命令导出增加了export.benchmark=False和export.nms=False两个指令,主要是关闭模型后处理以及打开模型极大值抑制。如果不关闭模型后处理,模型会增加一个输入,且在模型部署时会出错。

第二步,将模型转换为ONNX格式:

        该方式需要安装paddle2onnx和onnxruntime模块。导出方式比较简单,比较注意的是需要指定模型的输入形状,用于固定模型批次的大小。在命令行中输入以下指令进行转换:

paddle2onnx --model_dir output_inference/picodet_s_320_lcnet_pedestrian --model_filename model.pdmodel --params_filename model.pdiparams --input_shape_dict "{'image':[1,3,320,320]}" --opset_version 11 --save_file picodet_s_320_lcnet_pedestrian.onnx

第三步:转换为IR格式

        利用OpenVINOTM模型优化器,可以实现将ONNX模型转为IR格式

mo --input_model picodet_s_320_lcnet_pedestrian.onnx --input_shape [1,3,256,192] --data_type FP16

1.5 下载并转换PP-TinyPose模型

1.5.1 PP-TinyPose模型简介

        PP-TinyPose 模型信息如下表所示,其默认的输入为动态形状,需要将该模型的输入形状变为静态形状。

 表2 PP-TinyPose 256×192 Paddle 模型信息

Input

Output

名称

image

conv2d_441.tmp_1

argmax_0.tmp_0

形状

[bath_size, 3, 256, 192]

[bath_size, 17, 64, 48]

[bath_size,17]

数据类型

Float32

Float32

Int64

1.5.2 模块下载与转换

第一步:下载模型:

        命令行直接输入以下代码,或者浏览器输入后面的网址即可。

wget https://bj.bcebos.com/v1/paddledet/models/keypoint/tinypose_enhance/tinypose_256x192.zip

        下载好后将其解压到文件夹中,便可以获得Paddle格式的推理模型。

第二步:转换为ONNX格式:

        该方式需要安装paddle2onnx和onnxruntime模块。在命令行中输入以下指令进行转换,其中转换时需要指定input_shape,否者推理时间会很长:

paddle2onnx --model_dir output_inference/tinypose_256_192/paddle --model_filename model.pdmodel --params_filename model.pdiparams --input_shape_dict "{'image':[1,3,256,192]}" --opset_version 11 --save_file tinypose_256_192.onnx

第三步:转换为IR格式

        利用OpenVINOTM模型优化器,可以实现将ONNX模型转为IR格式。

  1. cd .\openvino\tools
  2. mo --input_model paddle/model.pdmodel --input_shape [1,3,256,192] --data_type FP16

1.6 编写OpenVINO推理程序

1.6.1 实现行人检测

第一步:初始化PicoDet行人识别类

  1. // 行人检测模型
  2. string mode_path_det = @"E:\Text_Model\TinyPose\picodet_v2_s_320_pedestrian\picodet_s_320_lcnet_pedestrian.onnx";
  3. // 设备名称
  4. string device_name = "CPU";
  5. PicoDet pico_det = new PicoDet(mode_path_det, device_name);

        首先初始化行人识别类,将本地模型读取到内存中,并将模型加载到指定设备中。

第二步:设置输入输出形状

  1. Size size_det = new Size(320, 320);
  2. pico_det.set_shape(size_det, 2125);

        根据我们使用的模型,设置模型的输入输出形状。

第三步:实现行人检测

  1. // 测试图片
  2. string image_path = @"E:\Git_space\基于Csharp和OpenVINO部署PP-TinyPose\image\demo_3.jpg";
  3. Mat image = Cv2.ImRead(image_path);
  4. List<Rect> result_rect = pico_det.predict(image);

        在进行模型推理时,使用OpenCvSharp读取图像,然后带入预测,最终获取行人预测框。最后将行人预测框绘制到图片上,如下图所示。

3 行人位置预测结果

1.6.2 实现人体姿态识别

第一步:初始化P人体姿势识别PPTinyPose类

  1. // 关键点检测模型
  2. // onnx格式
  3. string mode_path_pose = @"E:\Text_Model\TinyPose\tinypose_128_96\tinypose_128_96.onnx";
  4. // 设备名称
  5. string device_name = "CPU";
  6. PPTinyPose tiny_pose = new PPTinyPose(mode_path_pose, device_name);

        首先初始化人体姿势识别PPTinyPose类,将本地模型读取到内存中,并加载到设备上。

第二步:设置输入输出形状

  1. Size size_pose = new Size(128, 96);
  2. tiny_pose.set_shape(size_pose);

        PP-TinyPose模型输入与输出有对应关系,因此只需要设置输入尺寸

第三步:实现姿势预测

  1. // 测试图片
  2. string image_path = @"E:\Git_space\基于Csharp和OpenVINO部署PP-TinyPose\image\demo_3.jpg";
  3. Mat image = Cv2.ImRead(image_path);
  4. Mat result_image = tiny_pose.predict(image);

        在进行模型推理时,使用OpenCvSharp读取图像,然后带入预测,最终获取人体姿势结果,如下图所示。

4 人体姿态绘制效果图

1.6.3 推理速度测试

        本项目在蝰蛇峡谷上完成测试,CPU为i7-12700H,自带锐炬®集成显卡;独立显卡为英特尔®锐炫® A770M独立显卡+16G显存,如下图所示。

图 5 蝰蛇峡谷

测试代码已开源:基于Csharp和OpenVINO部署PP-TinyPose: 该项目基于OpenVINOTM模型推理库,在C#语言下,调用封装的OpenVINOTM动态链接库,部署推理PP-TinyPose人体关键点识别模型,实现了在C#平台调用OpenVINOTM部署PP-TinyPose人体关键点识别模型。

测试结果如下表所示

表 3 PP-PicoDet 与 PP-TinyPose 模型运行时间(ms)

推理设备

模型名称

PP-PicoDet 320×320

PP-TinyPose 256×192

FPS

模型格式

模型

读取

加载

数据

模型

推理

结果

处理

模型

读取

加载

数据

模型

推理

结果

处理

i7-12700H

IR-FP16

159.74

1.10

2.97

0.08

322.23

0.84

5.12

1.67

85

A770M

IR-FP16

5250.30

1.36

3.77

0.01

12575.64

1.01

8.95

1.57

60

注: 模型读取:读取本地模型,加载到设备,创建推理通道;

        加载数据:将待推理数据进行处理并加载到模型输入节点;

        模型推理:模型执行推理运算;

        结果处理:在模型输出节点读取输出数据,并转化为我们所需要的结果数据。

1.7 总结与未来工作展望

        本文完整介绍了在C#中基于OpenVINO部署PP-TinyPose模型的完整流程,并开源了完整的项目代码。

        从表3的测试结果可以看到,面对级联的小模型,由于存在数据从CPU传到GPU,GPU处理完毕后,结果从GPU传回CPU的时间消耗,独立显卡相对CPU并不具备明显优势。

未来改进方向:

  1. 借助OpenVINO预处理API,将预处理和后处理集成到GPU中去。
  2. 借助OpenVINO异步推理API,提升GPU利用率
  3. 仔细分析CPU和GPU之间的数据传输性能瓶颈,尝试锁页内存、异步传输等优化技术,“隐藏”CPU和GPU之间的数据传输时间消耗。

通知和免责声明:
英特尔技术可能需要支持的硬件、软件或服务激活。
没有任何产品或组件是绝对安全的。
您的费用和结果可能会有所不同。
 ©英特尔公司。英特尔、英特尔徽标和其他英特尔标志是英特尔公司或其子公司的商标。其他名称和品牌可能是其他方的财产。

声明:本文内容由网友自发贡献,不代表【wpsshop博客】立场,版权归原作者所有,本站不承担相应法律责任。如您发现有侵权的内容,请联系我们。转载请注明出处:https://www.wpsshop.cn/w/凡人多烦事01/article/detail/723196
推荐阅读
相关标签
  

闽ICP备14008679号