【有趣好玩】人体分割BodyPix模型部署演示

于 2024-06-11 15:31:31 发布
阅读量334 收藏 6
点赞数 3
文章标签： 人工智能 YOLO opencv 计算机视觉
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/jia20003/article/details/139600057
版权

学习《OpenCV应用开发：入门、进阶与工程化实践》一书
做真正的OpenCV开发者，从入门到入职，一步到位！

人体分割模型

本质就就是语义分割模型，基于Deeplabv3+ 与ResNet34构建的一个人体分割模型，会把人体划分为15个不同的部分，图示如下：
在这里插入图片描述

模型导出与结构

Github开源模型与推理代码地址

https://github.com/potato-farm/alchera-ai-challenge

基于pth文件导出模型为ONNX文件，模型导出脚本如下：
在这里插入图片描述
导出以后的模型结构如下：
在这里插入图片描述

代码演示

从github下载的best模型文件可以基于下面的代码实现推理演示：
在这里插入图片描述
运行结果如下：
在这里插入图片描述
使用导出的ONNX格式模型，基于OpenCV-Python语言实现推理演示的结果如下：
在这里插入图片描述
在这里插入图片描述

推荐一款好的OpenCV开发工具软件

OpenCV实验大师工具软件 与 OpenCV实验大师工作流引擎库，是作者数十年OpenCV开发的融汇贯通与工程经验的总结之后系统化知识体系的呕心沥血之作，用它们双剑合璧，OpenCV开发效率可提升数十倍，开发能力延展达到工作十年的研发能力，为公司创造更多更大的商业价值是作者的开发这两款软件的初心，Make OpenCV Development Easy， 永远是我们不变的追求！！! 软件下载地址

学习《OpenCV应用开发：入门、进阶与工程化实践》一书
做真正的OpenCV开发者，从入门到入职，一步到位！

gloomyfish
关注
  • 3
    点赞
  • 踩
  • 6
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
python 人体建模_Google人体图像分割模型Bodypix再次更新，720p/30fps流畅运行
weixin_39713538的博客
12-17 365
晓查 发自 凹非寺量子位 报道 | 公众号 QbitAIAI开发板果然是各大厂商的必争之地。树莓派4刚发布8GB版，快被遗忘的谷歌Coral开发板就迎来新的机器学习模型，登上了近日GitHub开源热榜。去年谷歌发布了识别人体24个部位的Bodypix 2.0模型，现在谷歌把它移植到了Coral设备上，而且针对这款硬件的API做了特殊优化。Coral BodyPix有很多种用法，除了最基础的对人体不...
如何在WebRTC中添加虚拟背景分割功能
irainsa的博客
03-08 309
很多人都试图实现一个酷炫新功能——背景分割。虚拟背景已经风靡一段时间了。我们所说的“分割”，不是在用户身后插入一个新的背景，而是完全移除他的真实背景，是允许视频软件把每个用户放进一个共享的屏幕里，或者说出现在一个共享环境中。这个功能还没有一个通用的名字。Zoom称之为沉浸式视图（Immersive View）；微软称其为Together Mode。RingCentral称其为overlay。
Human-Segmentation-PyTorch:在PyTorch中实现的人体分割模型，训练推理代码和训练后的权重
05-04
人为分割PyTorch 在PyTorch中实现的人体分割，/代码和。 支持的网络 ：骨干 （所有aphas和扩张）， （所有num_layers） ：骨干网 （num_layers = 18,34,50,101）， ：骨干网 （num_layers = 18） ：主干网 （num_layers = 18、34、50、101） ICNet ：主干网ResNetV1 （num_layers = 18、34、50、101） 要评估体系结构，内存，转发时间（以cpu或gpu表示），参数数量以及网络的FLOP数量，请使用以下命令： python measure_model.py 数据集 人像分割（人/背景） 自动人像分割以实现图像风格化：1800张图像 监督人：5711张图片 放 在此存储库中使用了Python3.6.x。 克隆存储库： git clone --re
谷歌最新人体图像分割工具支持多人识别的BodyPix 2.0已发布
图像算法Imalg的博客
11-22 4063
近日，谷歌正式推出BodyPix 2.0，这是一款使用TensorFlow.js的人体图像分割工具，它对该工具进行了重大升级，增加了多人支持，提高了准确性。 我们先来看一个动态图： BodyPix可以将图像分割为人体和非人体像素，人体部分可以进一步划分为24个人体部分之一。 BodyPix可以直接在浏览器中运行，开发人员可以使用几行代码来处理计算机或手机摄像头。 使用默认设置，Body...
ml5.js入门七(介绍)+BodyPix身体像素
redrun博客
06-29 703
ml5.js是什么 ml5.js 它是基于Tensorflow.js的一个非常简便易用的接口，目的是让更广泛的受众更容易使用机器学习。(演示都是根据官网实例demo) 其他知识点索引点这里 描述 BodyPix身体像素 “Bodypix 是一种开源机器学习模型，它允许使用 TensorFlow.js 在浏览器中对人物和身体部位进行分割。在计算机视觉中，图像分割是指将图像中的像素分组到语义区域的技术，通常用于定位对象和边界。BodyPix 模型经过训练可以针对一个人和 24 个身体部位（例如左手、右前小腿或后
人体分割模型ACE2P与M2FP，解析人脸人体各部件属性，语义化分析
解牛
10-17 1737
在做某任务的时候，需要对人物图片进行预处理。预处理的要求就是要将图片中的人物各部件分割出来，标识为各种不同颜色，比如脸部为蓝色，脖颈部位绿色，其他地方为红色最初任务使用的PaddleSeg中基于CelebAMask-HQ数据集的BiSeNet-v2和PP_LiteSeg模型，以及同样基于该数据集的BiSeNet模型，效果呢，人脸部分分割得确实还可以，但是遇到复杂的头发、头饰、服装的时候，效果就一言难尽了。
project-bodypix:适用于Google Coral的BodyPix模型演示应用程序
05-24
珊瑚体Pix BodyPix是一种开放源代码的机器学习模型，可以对人和身体部位进行细分。 它先前已作为项目发布。 此仓库包含一组经过预先训练的BodyPix模型（具有MobileNet v1和ResNet50主干），这些模型针对Coral Edge ...
LiteSeg语义分割 C++ 模型部署
05-02
LiteSeg是一种轻量级的语义分割模型，它在C++环境中进行高效部署，尤其适用于资源有限的设备。语义分割是计算机视觉领域的一个重要任务，它的目标是对图像中的每个像素进行分类，以识别出图像中的各个对象和背景。在...
算法部署-使用TensorRT8.6部署SAM分割一切大模型-大模型部署-优质算法部署项目实战.zip
03-05
在本项目中，我们将深入探讨如何使用TensorRT 8.6来部署SAM（Sharpness-Aware Minimization）分割模型，这是一种高效且精确的大模型部署策略。TensorRT是NVIDIA开发的高性能深度学习推理（Inference）优化器和运行时...
TensorRT-使用TensorRT部署加速Segment-Anything分割一切算法-SGA-优质大模型算法部署项目实战
02-29
在本项目实战中，我们将深入探讨如何利用TensorRT这一高效的深度学习推理库，来加速Segment-Anything分割一切算法（SGA）的部署。Segment-Anything是一个高质量的大模型算法，能够处理各种复杂的图像分割任务，而...
python-tf-bodypix：bodypix模型的Python实现
02-23
TensorFlow BodyPix（TF BodyPix） Python实现。 该项目的目标是： Python库，可轻松集成BodyPix模型 功能有限的CLI，主要用于演示 安装 安装所有依赖项： pip install tf-bodypix[all] 安装时具有最小或没有依赖性： pip install tf-bodypix 使用此项目作为库时，提供了一些附加功能，可以更轻松地提供或排除依赖项： 多余的名字 描述 tf TensorFlow（必需）。 但是您可以使用自己的构建。 tfjs TensorFlow JS模型支持 图像 CLI需要通过Pillow加载图像。 摄像头 通过OpenCV和pyfakewebcam支持网络摄像头 视频 通过OpenCV提供视频支持 全部 所有的图书馆 Python API import tensorflow as tf f
Python-人体姿态估计和实例分割模型PersonLab的一个Kerastensorflow实现
08-10
人体姿态估计和实例分割模型PersonLab的一个Keras-tensorflow实现
C++ OnnxRuntime部署yolov8模型
07-20
本文将深入探讨如何使用C++配合ONNXRuntime来部署YOLOv8模型，实现高效的实时目标检测。 首先，让我们了解YOLOv8。YOLOv8是YOLO系列的最新迭代，它在保持快速检测速度的同时，提高了检测精度。YOLOv8通过改进网络...
在node.js中运行bodypix2
ccc123_ok的专栏
12-15 919
Google今年发布的BodyPix2可以在浏览器中进行人体各部位的检测和分割，在不借助于GPU的情况下，就达到较好的检测速度。考虑到node.js内嵌了v8引擎，可以在此环境中运行javascript，实现非浏览器环境下的人体检测和分割。另外，用于分割和检测的深度神经网络模型都是存放在google的网站上的，每次运行都需要下载，如果能在本地离线运行，运行的速度将得到大大提高。 ...
使用深度学习实现人体分割：PeopleSegmentationDemo项目解析
最新发布
gitblog_00023的博客
04-21 572
使用深度学习实现人体分割：PeopleSegmentationDemo项目解析 项目地址:https://gitcode.com/nolanliou/PeopleSegmentationDemo 在这个数字化时代，计算机视觉技术已经在图像处理和数据分析中发挥了重要作用。其中之一便是人体分割，它能够帮助我们识别图像中的人物，并将其与背景精确地区分。在GitHub上，有一个名为PeopleSegmen...
轻量级人像分割深度学习模型PP-HumanSeg树莓派部署
AI爱好者的博客，分享计算机领域相关知识
03-03 3331
人像分割模型树莓派部署教程
使用 MediaPipe 和 TensorFlow.js 进行人体分割
谷歌开发者
02-14 5029
发布人：Google 团队 Ivan Grishchenko、Valentin Bazarevsky、Ahmed Sabie、Jason Mayes随着人们对健康和健身的兴趣日益浓厚，去年...
深度学习人体解析
如果想成为中心，那么就到中心去吧。
01-09 1489
人体解析旨在将图像或视频中的人体分割成多个像素级的语义部分。在过去的十年中，它在计算机视觉社区中获得了极大的兴趣，并在广泛的实际应用中得到了应用，从安全监控到社交媒体，再到视觉特效，这只是其中的一小部分。尽管基于深度学习的人工解析方案已经取得了显著的成就，但许多重要的概念、存在的挑战和潜在的研究方向仍然令人困惑。全面回顾了单人体解析、多人体解析和视频人体解析这3个核心子任务，介绍了它们各自的任务设置、背景概念、相关问题和应用、代表性文献和数据集。还在基准数据集上对所审查的方法进行了定量的性能比较。
语义分割模型java项目部署
12-06
根据提供的引用内容，我们可以得知PaddleSeg是一个基于飞桨PaddlePaddle的图像分割套件，而ONNXRuntime是一个用于模型推理的框架。因此，我们可以使用PaddleSeg训练出语义分割模型，并将其转换为ONNX格式，然后使用ONNXRuntime在Java项目中进行部署。 以下是语义分割模型Java项目部署的步骤： 1.使用PaddleSeg训练出语义分割模型，并将其转换为ONNX格式。可以使用PaddleSeg提供的export_model.py脚本将模型转换为ONNX格式，具体命令如下： ```shell python export_model.py --config configs/quick_start/bisenet_optic_disc_512x512_1k.yml --model_path output/best_model/model.pdparams --save_dir ./onnx_model --opset_version 11 ``` 其中，--config指定了训练时使用的配置文件，--model_path指定了训练得到的模型参数文件，--save_dir指定了转换后的ONNX模型保存路径，--opset_version指定了ONNX的版本号。 2.在Java项目中使用ONNXRuntime加载模型并进行推理。可以使用ONNXRuntime提供的Java API来加载模型并进行推理，具体代码如下： ```java import ai.onnxruntime.*; import java.nio.file.Paths; public class SegmentationModel { private OrtEnvironment env; private OrtSession session; private OrtSession.Result output; public SegmentationModel(String modelPath) throws Exception { env = OrtEnvironment.getEnvironment(); session = env.createSession(Paths.get(modelPath)); } public float[] predict(float[] input) throws Exception { OrtSession.Result inputTensor = session.getInput("input"); inputTensor.use(input, new long[]{1, 3, 512, 512}); output = session.run(new String[]{"output"}); float[] result = output.get(0).asFloatArray(); return result; } public void close() throws Exception { output.close(); session.close(); env.close(); } } ``` 其中，OrtEnvironment是ONNXRuntime提供的环境类，用于创建会话和释放资源。OrtSession是会话类，用于加载模型和进行推理。OrtSession.Result是推理结果类，用于获取模型的输出。predict方法用于进行推理，input参数是输入数据，result参数是输出数据。 3.将Java项目打包为可执行jar文件。可以使用Maven或Gradle等构建工具将Java项目打包为可执行jar文件。 4.在命令行中运行Java项目。可以使用以下命令在命令行中运行Java项目： ```shell java -jar segmentation-model.jar ``` 其中，segmentation-model.jar是Java项目打包后的jar文件。
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

打赏作者

gloomyfish

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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