干货 | human-pose-estimation在CPU、GPU、HDDL、MYRIAD等计算设备上的推理运行

最新推荐文章于 2023-12-03 15:21:44 发布
最新推荐文章于 2023-12-03 15:21:44 发布
阅读量671 收藏 4
点赞数
分类专栏： 干货分享 文章标签： python 深度学习 神经网络 机器学习 自动驾驶
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/OpenVINOCC/article/details/108708352
版权

干货 | human-pose-estimation在CPU、GPU、HDDL、MYRIAD等计算设备上的推理运行

爱分享的 OpenVINO 中文社区

来源| 康瑶明博客 https://luckykang.github.io
排版| 吴珊珊

使用设备为NUC，配置如下图：

在这里插入图片描述
一、前期工作：

1.安装openvino，我使用的版本为l_openvino_toolkit_p_2020.4.287
2.下载human-pose-estimation-0001

在这里插入图片描述
3.执行bulid

在这里插入图片描述
4.执行完build以后，会看到提示所有的demos都在~/omz_demos_build/intel64/Release/目录下

在这里插入图片描述
5.切换到路径/home/kang/omz_demos_build/human_pose_estimation_demo，编译demo

在这里插入图片描述
二、在CPU上进行推理：

可以看到cpu的使用率达到了94%，不得不说占用还是蛮高的

在这里插入图片描述
三、在GPU上进行推理：

1.安装驱动
切换到路径/opt/intel/openvino/install_dependencies，使用root权限执行脚本 install_NEO_OCL_driver.sh

在这里插入图片描述
出现下图内容，就表示安装成功了

在这里插入图片描述
2.进行推理运行

可以看到在使用GPU推理的时候，CPU的使用率下降了，大概为50%

在这里插入图片描述
四、在HDDL上进行推理：

1.安装驱动

切换到路径/opt/intel/openvino/deployment_tools/inference_engine/external/hddl，执行install_IVAD_VPU_dependencies.sh

在这里插入图片描述
安装完成后会在myd_vsc.conf中加载4个rules,因为我使用的设备是有4个Movidius。

在这里插入图片描述
2.在HDDL上推理运行

可以看到在使用HDDL推理的时候，CPU的使用率实际情况是波动会比较大，在8%到80%之间 起伏，并不稳定

在这里插入图片描述
五、在MYRIAD上进行推理：

1.安装MYRIAD驱动
切换到路径/opt/intel/openvino/install_dependencies,执行install_NCS_udev_rules.sh

2.推理运行
执行推理，CPU使用率稳定在54.9%左右

原文发布于2020-09-15：干货 | human-pose-estimation在CPU、GPU、HDDL、MYRIAD等计算设备上的推理运行

关注我们，让开发变得更有趣👇
在这里插入图片描述

微信号：openvinodev
B站：OpenVINO 中文社区

*OpenVINO and the OpenVINO logo are trademarks of Intel Corporation or its subsidiaries.

OpenVINO 中文社区
关注
  • 0
    点赞
  • 踩
  • 4
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
人体姿态估计（Human Pose Estimation）
nty102的博客
06-02 5424
人体姿态估计（Human Pose Estimation）是计算机视觉领域中的一个重要研究方向，也是计算机理解人类动作、行为必不可少的一步，人体姿态估计是指通过计算机算法在图像或视频中定位人体关键点，目前被广泛应用于动作检测、虚拟现实、人机交互、视频监控等诸多领域。本次课程涵盖人体姿态估计的介绍与应用、2D 姿态估计、3D 姿态估计、DensePose、Body Mesh 以及 MMPose 等内容。
OpenVINO应用案例：部署YOLO模型到边缘计算摄像头
Make something people want.
03-05 3148
一、实现路径 通过OpenVINO部署YOLO模型到边缘计算摄像头，其实现路径为：训练(YOLO)->转换(OpenVINO)->部署运行(OpenNCC)。 二、具体步骤 1、训练YOLO模型 1.1 安装环境依赖 有关安装详情请参阅 https://github.com/AlexeyAB/darknet#requirements-for-windows-linux-and-macos 。 1.2 编译训练工具 git clone https://github.com/AlexeyAB/da
human pose estimation-DEKR2021CVPR
weixin_39455125的博客
03-16 873
一、基本任务 给定一张图像，预测出图像中每个人的关键点位置。即定位关键点，并判断关键点属于哪个person。（图中每个人的关键点为17个） 二、研究意义 人体姿态估计应用广泛，包括动作识别、行人跟踪、人机交互、智能照片编辑等 三、主要方法 注：研究人体关键点之间的几何约束和结构关系，可以提高性能。 1.top-down自上而下 （1）思路：两阶段，首先检测人，然后对每个检测到的人进行单人姿态估计。 **（2）优点和缺点：**优点是精度更高，缺点是效率更低，速度慢。 注：改进思路：从热图中定位关键点，细化姿
人体姿态估计-Human Pose Estimation （2021）
MyArrow的专栏
04-25 4968
基于RGB的姿态识别2021.41. 关键的姿态识别方法总结 1. 关键的姿态识别方法总结 PCKh：Head-normalized Percentage of Correct Keypoints 方法 处理时长 PCKh 硬件平台 特点 HRNet-W32 6.8s 92.3 高通845 SoC CPU 高准确率 PoseNet 60ms 80.2 高通845 SoC CPU 高度修剪的CNN模型 ...
openvino 3D人姿模型转换教程 human-pose-estimation-3d-0001.xml下载
On the road
07-15 1187
openvino 3D人姿模型转换 human-pose-estimation-3d-0001.xml 进入目录 cd /opt/intel/openvino_2020.2.117/deployment_tools/open_model_zoo/tools/downloader 查看所有模型 sudo python downloader.py --print_all 选择下载模型 sudo python downloader.py --name human-pose-estimation-3d-0001
lightweight-human-pose-estimation-3d-demo.pytorch:PyTorch中的实时3D多人姿势估计演示。 OpenVINO后端可用于在CPU上进行快速推断
05-12
英特尔OpenVINO:trade_mark:后端可用于在CPU上进行快速推断。 该演示基于和纸张的。 它可以检测多达18种关键点的2D坐标：耳朵，眼睛，鼻子，脖子，肩膀，肘部，手腕，臀部，膝盖和脚踝，以及它们的3D坐标。 在和...
human-pose-estimation-opencv:使用OpenPose MobileNet在OpenCV中执行人体姿势估计
05-13
使用OpenPose MobileNet在OpenCV中执行人体姿势估计 如何使用 使用网络摄像头进行测试 python openpose.py 用图像测试 python openpose.py --input image.jpg 使用--thr增加置信度阈值 python openpose.py --...
轻量级人体姿态估计lightweight-human-pose-estimation.rar
06-29
本项目中，开发者可能采用了轻量级的神经网络架构，如MobileNet或EfficientNet等，这些网络在保持较高精度的同时，大大降低了模型的计算量和内存占用，适合于资源有限的设备上运行。网络通常会经过预训练，以学习...
Human-Pose-Estimation-Papers:2D＆3D人体姿势估计
03-06
人的姿势估计文件 [CVPR 2016]-201511 -201602 其他 联合关节的3D深度卷积描述符进行动作识别 2D姿势 ... 通过卷积部分热图回归进行人体姿态估计 用于人体姿势估计的堆叠沙漏网络 DeeperCut：更深入，更强大，更快...
tf-pose-estimation-master-韦访源码分析带注释
05-23
【tf-pose-estimation-master-韦访源码分析带注释】 tf-pose-estimation 是一个基于 TensorFlow 的实时人体姿态估计项目。这个开源项目主要用于在图像或视频流中识别和绘制人体关键关节的位置。韦访的源码分析带...
cvpr18-3D Human Pose Estimation in the Wild by Adversarial Learning
07-04
Recently, remarkable advances have been achieved in 3D human pose estimation from monocular images because of the powerful Deep Convolutional Neural Networks (DC- NNs). Despite their success on large-scale datasets col- lected in the constrained lab environment, it is difficult to obtain the 3D pose annotations for in-the-wild images. Therefore, 3D human pose estimation in the wild is still a challenge. In this paper, we propose an adversarial learn- ing framework, which distills the 3D human pose structures learned from the fully annotated dataset to in-the-wild im- ages with only 2D pose annotations. Instead of defining hard-coded rules to constrain the pose estimation results, we design a novel multi-source discriminator to distinguish the predicted 3D poses from the ground-truth, which helps to enforce the pose estimator to generate anthropometri- cally valid poses even with images in the wild. We also observe that a carefully designed information source for the discriminator is essential to boost the performance. Thus, we design a geometric descriptor, which computes the pair- wise relative locations and distances between body joints, as a new information source for the discriminator. The ef- ficacy of our adversarial learning framework with the new geometric descriptor has been demonstrated through exten- sive experiments on widely used public benchmarks. Our approach significantly improves the performance compared with previous state-of-the-art approaches.
w_openvino_toolkit_p_2020.2.117.exe
05-17
w_openvino_toolkit_p_2020.2.117的exe文件，可用于cpu加速，opencv dnn调用
human-pose-estimation:简单轻量的人为估计
05-16
简单轻巧的人体姿势估计 介绍 在COCO关键点有效数据集上，如果with_gcb模块达到66.5的mAP ，否则达到64.4的mAp 主要结果 COCO val2017数据集上的结果 拱 with_GCB 美联社 Ap .5 AP .75 AP（男） AP（长） 增强现实 AR .5 AR .75 手臂） AR（左） 256x192_lp_net_50_d256d256 是的 0.665 0.903 0.746 0.644 0.697 0.700 0.911 0.771 0.672 0.743 256x192_lp_net_50_d256d256 不 0.644 0.885 0.715 0.619 0.685 0.679 0.898 0.742 0.647 0.725 笔记： 使用翻转测试。 环境 该代码是在Ubuntu 16.
Intel® Neural Compute Stick 2 - 环境搭建
既然选择了远方 便只顾风雨兼程 - 永强
11-20 3005
Intel® Neural Compute Stick 2 - 环境搭建 Step 1: Gather Your Equipment Before you start, make sure you have the following: An x86_64 computer with the Ubuntu* 16.04 operating system (desktop edition) ins...
人体姿态估计算法
最新发布
YYY_77的博客
12-03 2673
人体姿态估计(Human Pose Estimation, HPE)是一种识别和分类人体关节的方法。本质上，它是一种捕获每个关节（手臂、头部、躯干等）的一组坐标的方法，该坐标被称为可以描述人的姿势的关键点(keypoint)。这三种类型是随着应用逐步发展出来的，先检测关键点，类似于火柴人，进一步的检测出人的轮廓，再根据轮廓进一步的把人体进行3D重建。也称为运动学模型，该模型包括一组关键点（关节），例如脚踝、膝盖、肩膀、肘部、手腕和肢体方向，主要用于 3D 和 2D 姿势估计。
人体姿态估计(Human Pose Estimation)文献综述
热门推荐
BockSong的博客
07-13 3万+
一、研究背景 维基百科对人体姿态估计的定义如下： Articulated body pose estimation in computer vision is the study of algorithms and systems that recover the pose of an articulated body, which consists of joints and rigid p...
openvino 车牌识别实现日志
weixin_40355324的博客
12-14 3502
openvino配置链接：（本人用的是Mocidius　1.x版本） https://software.intel.com/en-us/articles/OpenVINO-Install-Linux https://software.intel.com/en-us/articles/OpenVINO-InferEngine#Inference%20Engine%20Samples   ht...
lightweight-human-pose-estimation.pytorch-master
09-01
lightweight-human-pose-estimation.pytorch-master是一个用于人体姿势估计的Python库。该库基于轻量级的卷积神经网络模型，可以准确地识别图像或视频中的人体关键点。 该库实现了一个多阶段的姿势估计算法，包含了两个关键步骤：首先，使用卷积神经网络将输入图像转化为特征图；然后，通过重复堆叠的模块对特征图进行解码，以获取人体关键点的位置。 该库具有以下特点和优势： 1. 轻量级：采用了轻量级的网络结构，具有较低的参数数量和计算复杂度，可以在资源受限的设备上实时运行。 2. 高准确性：通过使用深度学习技术，该库可以准确地检测人体关键点，包括头部、肩膀、手臂、腿等。 3. 多平台支持：该库可以在不同的操作系统和硬件平台上运行，适用于个人电脑、嵌入式设备和移动设备等。 4. 灵活性：用户可以根据自己的需求，调整姿势估计算法的参数和输入图像的尺寸，以获得更好的性能和适应性。 5. 开源：该库是开源的，用户可以自由地使用、修改和分享代码，以满足自身项目的要求。 总之，lightweight-human-pose-estimation.pytorch-master是一个功能强大的人体姿势估计库，可以帮助用户在图像处理和计算机视觉任务中准确地提取人体关键点信息。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值