ART-PI 嵌入式人形检测附源码（RT-AK Demo）

最新推荐文章于 2024-05-02 02:09:33 发布

Lebhoryi

最新推荐文章于 2024-05-02 02:09:33 发布

阅读量1w

点赞数 19

分类专栏：目标检测 EmbeddedSystem deep learning

本文链接：https://blog.csdn.net/weixin_37598106/article/details/116493674

版权

deep learning 同时被 3 个专栏收录

6 篇文章 1 订阅

订阅专栏

目标检测

3 篇文章 2 订阅

订阅专栏

EmbeddedSystem

3 篇文章 1 订阅

订阅专栏

Person detection

让 AI 在你的板子上尽情舞蹈~

本次实验的是识别摄像头中的人，就一个人，而不是多个。

从多类别检测模型改编而来，只保留 person 这个类别，根据各位看官的能力完全可以改成识别多类

本次项目的篇幅将会较长，请各位看官耐心看完

源码地址：Project4-Person_detection_RT-AK

整体分为三部分：

模型
RT-AK 使用
板子上的应用层代码实现

硬件平台 ART-Pi, 50M FLOPS。

我的模型（删减后的模型）最终部署在板子上是推理时间是56ms，不包括数据处理时间。

pc 端推理一张图片：

$ pip install -r requirements.txt
$ python inference_yolo-s.py

以下是在 ART-PI 上的模型推理实现：

在这里插入图片描述

我的模型数据：map 21.58%

Model	MACC	Inference	Size
yolo-s.tflite	6.5 M	50ms	144k

1 模型

1.1 参考项目

参考项目：

Yolo-Fastest https://github.com/dog-qiuqiu/Yolo-Fastest

keras-YOLOv3-model-set https://github.com/david8862/keras-YOLOv3-model-set

原因：目前了解的全网最轻量级的目标检测网络，没有之一

现在不是了，出现了一个 ppyolo，百度产

Network	Model Size	mAP(VOC 2017)	FLOPS
Tiny YOLOv2	60.5MB	57.1%	6.97BFlops
Tiny YOLOv3	33.4MB	58.4%	5.52BFlops
YOLO Nano	4.0MB	69.1%	4.51Bflops
MobileNetv2-SSD-Lite	13.8MB	68.6%	&Bflops
MobileNetV2-YOLOv3	11.52MB	70.20%	2.02Bflos
Pelee-SSD	21.68MB	70.09%	2.40Bflos
Yolo Fastest	1.3MB	61.02%	0.23Bflops
Yolo Fastest-XL	3.5MB	69.43%	0.70Bflops
MobileNetv2-Yolo-Lite	8.0MB	73.26%	1.80Bflops

当然，Yolo Fastest 最小的模型也有 0.23 Bflops，想要在 ART-Pi 上顺利的跑起来，肉眼可见的丝滑程度，我是在做梦。。。

这时候有两个办法：

换一块板子，换一块算力更大的板子。
将模型改的小一点，能够在 ART-PI 上丝滑的跑起来。

这里我选择的是后者。

我改动的很简单，去掉特征金字塔输出，只保留一个输出，保证对大物体检测友好即可。同时删减网络结构。原来是109层，我是20+层网络结构。

纠正一个思想误区，由于一些很神奇的存在，网络并不是越深，FLOPS 就会越大，比如 DSCNN。

第二个参考项目的意义是在于：将模型转变为 tflite 可食用模型

1.2 模型文件

我改动的模型配置文件：./model/yolo-s_with_lrelu.cfg

原模型配置文件：./model/VOC

为了防止在后期模型转换的过程中遇到不支持的算子：leakyrelu，我这里提供了一份 relu 的模型训练配置文件
预先训练好的模型：./model/yolo-s.h5 507 k，量化的 tflite 模型文件：./model/yolo-s.tflite 144 k

1.3 自己训练模型

请参考：dog-qiuqiu/Yolo-Fastest 项目

我自己也写过一份快速上手 yolo-fastest 教程：

https://blog.csdn.net/weixin_37598106/article/details/112544854?spm=1001.2014.3001.5501

但是由于 up 主更新的比较快，可能有一些版本落后，仅供参考。

需要配置 darknet 训练环境，然后根据需求修改下 cfg 文件即可

准备数据集：VOC 2007 + VOC 2012

wget https://pjreddie.com/media/files/VOCtrainval_11-May-2012.tar
wget https://pjreddie.com/media/files/VOCtrainval_06-Nov-2007.tar
wget https://pjreddie.com/media/files/VOCtest_06-Nov-2007.tar
tar xf VOCtrainval_11-May-2012.tar
tar xf VOCtrainval_06-Nov-2007.tar
tar xf VOCtest_06-Nov-2007.tar

wget https://pjreddie.com/media/files/voc_label.py
# 修改文件，将里面的类别只保留 person 类别
python voc_label.py

cat 2007_train.txt 2007_val.txt 2012_*.txt > train.txt

修改 ./model/voc_person.data 中的 train 和 valid 路径，注意，如果你不是训练 person 单类别，请一并修改 voc_person.names 文件

训练

$ ./darknet detector train <data_path> <cfg_path> 

# 举例， -dont_show 是不显示图片， -gpus 是指定 gpu 训练
$ ./darknet detector train voc_person.data yolo-s.cfg -dont_show -gpus 0, 1

测试

perons.jpg 位于 ./imgs

# test 1 image
./darknet detector test voc_person.data yolo-s.cfg yolo-s_last.weights person.jpg -thresh 0.5 -dont_show

# mAP
./darknet detector map voc_person.data yolo-s.cfg yolo-s_last.weights -points 11

模型转换成 keras，最后转成 tflite

对应的代码仓库：

Lebhoryi/keras-YOLOv3-model-set
转自 david8862/keras-YOLOv3-model-set，我做了一些修改，请按照我的来，否则出错请自负😂😂😂

# yolo-fastest to keras
    python tools/model_converter/convert.py cfg/yolo-s.cfg weights/yolo-s_last.weights weights/yolo-s.h5  -f -c

# keras to tflite
    python tools/model_converter/custom_tflite_convert.py --keras_model_file ./weights/yolo-s.h5 --output_file ./weights/yolo-s.tflite
    
    # keras to tflite; quantize
    python tools/model_converter/post_train_quant_convert.py --keras_model_file ./weights/yolo-s.h5 --annotation_file /home/lebhoryi/Data/VOC/2007_test.txt --model_input_shape 160x160 --sample_num 30 --output_file ./weights/yolo-s.tflite -c

2 RT-AK 使用

具体使用请查阅 RT-Thread/RT-AK https://github.com/RT-Thread/RT-AK 相关文档

准备：

ART-PI bsp
模型
RT-AK

使用：

$ git clone https://github.com/RT-Thread/RT-AK

$ cd RT-AK/RT-AK/rt_ai_tools

# 只需要改动 --model、--project、--ext_tools 三个参数的路径即可
$ python aitools.py --model=./yolo-s.h5 --model_name=person_yolo --project=D:\RT-ThreadStudio\workspace\art-pi --platform stm32 --ext_tools="D:\Program Files (x86)\stm32ai-windows-5.2.0\windows" --clear

3 应用代码

我的输入是 160x160x1，为了减小模型参数大小，

先在 pc 端实现应用层的代码

图片预处理：尺度缩放+灰度转化+归一化
yolo 解码
nms 处理

代码都在 inference_yolo-s.py 中。

手边没有 usb 摄像头，也就没有写视频的推理代码，只有图片的推理代码。

功能实现：

图片预处理

python 里头就很简单，调用 opencv 库，几行代码搞定

img_raw = cv2.imread(str(img_path))
img = cv2.cvtColor(img_raw, cv2.COLOR_BGR2GRAY)
img = cv2.resize(img, (160, 160), interpolation=cv2.INTER_LINEAR)
img = img / 255.0
img = np.asarray(img).astype('float32')

yolo 解码

inference_yolo-s.py 中的 yolo_decode 函数

模型推理的是检测目标的 xywh 的偏移量，目的是将模型输出结果转换成真实世界的 xywh

这部分呢，我也写了一篇文章，感兴趣的可以看一下：

掌握 yolo - 解码核心思想 https://blog.csdn.net/weixin_37598106/article/details/113058426?spm=1001.2014.3001.5501
nms

inference_yolo-s.py 中的 non_max_suppress 函数，这个函数针对的是单类别的

c 代码的实现比较痛苦，，痛苦面具 x3

灰度转换
尺度缩放
yolo 解码
nms （可能五一节后实现）

灰度转换

RGB转灰度，通常会使用下面的一个心理学公式：(Matlab和OpenCV中使用的也是该公式)

Gray = 0.2989*R + 0.5870*G + 0.1140*B
# 优化
Gray = （2989*R + 5870*G + 1140*B）/ 10000
# 移位
Gray = （4898*R + 9618*G + 1868*B）>> 14
# 8位精度
Gray = （76*R + 150*G + 30*B）>> 8

// c 代码实现
void rgb2gray(unsigned char *src,unsigned char *dst, int width,int height)
{
    int r, g, b;
    for (int i=0; i<width*height; ++i)
    {
        r = *src++; // load red
        g = *src++; // load green
        b = *src++; // load blue
        // build weighted average:
        *dst++ = (r * 76 + g * 150 + b * 30) >> 8;
    }
}

# python 代码实现
# val_c_gray_scaling.py
def img2gray(img_path):
    # 读取第一张图像
    img = cv2.imread(img_path)
    # 获取图像尺寸
    h, w = img.shape[0:2]
    # 自定义空白单通道图像，用于存放灰度图
    gray = np.zeros((h, w), dtype=img.dtype)
    # 对原图像进行遍历，然后分别对B\G\R按比例灰度化
    for i in range(h):
        for j in range(w):
            gray[i, j] = 0.11 * img[i, j, 0] + 0.59 * img[i, j, 1] + 0.3 * img[i, j, 2]  # Y=0.3R+0.59G+0.11B
    show_img(gray)
    return gray

尺度缩放

此处用的是双线性插值

int is_in_array(short x, short y, short height, short width)
{
    if (x >= 0 && x < width && y >= 0 && y < height)
        return 1;
    else
        return 0;
}

void bilinera_interpolation(rt_uint8_t* in_array, short height, short width, 
                            rt_uint8_t* out_array, short out_height, short out_width)
{
    double h_times = (double)out_height / (double)height,
           w_times = (double)out_width / (double)width;
    short  x1, y1, x2, y2, f11, f12, f21, f22;
    double x, y;

    for (int i = 0; i < out_height; i++){
        for (int j = 0; j < out_width; j++){
            x = j / w_times;
            y = i / h_times;
          
            x1 = (short)(x - 1);
            x2 = (short)(x + 1);
            y1 = (short)(y + 1);
            y2 = (short)(y - 1);
            f11 = is_in_array(x1, y1, height, width) ? in_array[y1*width+x1] : 0;
            f12 = is_in_array(x1, y2, height, width) ? in_array[y2*width+x1] : 0;
            f21 = is_in_array(x2, y1, height, width) ? in_array[y1*width+x2] : 0;
            f22 = is_in_array(x2, y2, height, width) ? in_array[y2*width+x2] : 0;
            out_array[i*out_width+j] = (rt_uint8_t)(((f11 * (x2 - x) * (y2 - y)) +
                                       (f21 * (x - x1) * (y2 - y)) +
                                       (f12 * (x2 - x) * (y - y1)) +
                                       (f22 * (x - x1) * (y - y1))) / ((x2 - x1) * (y2 - y1)));
        }
    }
}

python 代码实现：val_c_gray_scaling.py 中的 bilinera_interpolation 函数

yolo 解码

// c 代码实现
// applications/yolo.c
int yolo_decode(float *out_data)
{
  int j=0,k=0,l=0;
  for(int i=0; i<5*5*5; i++)
  {
    float x_tmp = 1 / (1 + exp(-out_data[i*6+0]));
    float y_tmp = 1 / (1 + exp(-out_data[i*6+1]));
    float box_x = (x_tmp + k) / 5;
    float box_y = (y_tmp + l) / 5;
    
    float box_w = (exp(out_data[i*6+2])*anchor[j][0])/ input_dims[0];
    float box_h = (exp(out_data[i*6+3])*anchor[j][1])/ input_dims[1];
    
    float objectness = 1 / (1 + exp(-out_data[i*6+4]));
    
    float class_scores = 1 / (1 + exp(-out_data[i*6+5]));
   
//    printf("%d %d %d %f %f, %f %f, %f %f\n", j,k,l, box_x, box_y, box_w, box_h, objectness, class_scores);
    
    out_data[i*6+0] = box_x;
    out_data[i*6+1] = box_y;
    out_data[i*6+2] = box_w;
    out_data[i*6+3] = box_h;
    out_data[i*6+4] = objectness;
    out_data[i*6+5] = class_scores;
    
    if(j++>=4)
    {
      j = 0;
      if(k++>=4)
      {
        k = 0;
        if(l++>=4)
        {
          l = 0;
        }
      }
    }
  }
  return 0;
}

python 代码实现：inference_yolo-s.py 中的 yolo_decode 函数

nms

没有 nms 的目标检测工程就等于没有灵魂，，，等后期来实现

编译报错以及解决

第二种解决方式：

4. 参考链接

C++ RGB转灰度图像 https://blog.csdn.net/martinkeith/article/details/104185635
GBeetle/c_image_processing https://github.com/GBeetle/c_image_processing/blob/4ceabf4959f455f5b7d1ee419aac25eccf231b3b/scaling/scaling.c#L155
https://github.com/dog-qiuqiu/Yolo-Fastest
https://github.com/david8862/keras-YOLOv3-model-set

Lebhoryi

关注

19
点赞
踩
50

收藏

觉得还不错? 一键收藏
22
评论
ART-PI 嵌入式人形检测附源码（RT-AK Demo）

Person detection让 AI 在你的板子上尽情舞蹈~本次实验的是识别摄像头中的人，就一个人，而不是多个。从多类别检测模型改编而来，只保留 person 这个类别，根据各位看官的能力完全可以改成识别多类本次项目的篇幅将会较长，请各位看官耐心看完源码地址：Project4-Person_detection_RT-AK整体分为三部分：模型RT-AK 使用板子上的应用层代码实现硬件平台 ART-Pi, 50M FLOPS。我的模型（删减后的模型）最终部署在板子上是推理时间是
复制链接

扫一扫