ios系统软件迁移到安卓_实时单人姿态估计，在自己手机上就能实现。安卓和iOS都可以哦?...

本文介绍了如何使用TensorFlow在智能机上（包括安卓和iOS设备）执行实时单人姿态估计。

GitHub地址：https：//github.com/edvardHua/PoseEstimationForMobile

该repo使用TensorFlow实现CPM和Hourglass模型。这里未使用常规的卷积，而是在模型内部使用了反向卷积（又叫Mobilenet V2），以便执行实时推断。

注：你可以修改网络架构，来训练更高PCKh的模型。架构地址：https：//github.com/edvardHua/PoseEstimationForMobile/tree/master/training/src

该库包含：

• 训练CPM和Hourglass模型的代码;
• 安卓demo的源代码;
• IOS demo的源代码。

下面的gif是在Mi Mix2s上截取的（~60 FPS）

你可以下载以下apk，在自己的设备上进行测试。

• PoseEstimation-Mace.apk：HTTPS：//raw.githubusercontent.com/edvardHua/PoseEstimationForMobile/master/release/PoseEstimation-Mace.apk
• PoseEstimation-TFlite.apk：HTTPS：//raw.githubusercontent.com/edvardHua/PoseEstimationForMobile/master/release/PoseEstimation-TFlite.apk

训练

依赖项

• Python3
• TensorFlow> = 1.4
• 锤

数据集

训练数据集：HTTPS：//http://drive.google.com/open ID = 1zahjQWhuKIYWRRI2ZlHzn65Ug_jIiC4l

将其解压缩，获取以下文件结构：

# root @ ubuntu in ~/hdd/ai_challenger
$ tree -L 1 ..
├── ai_challenger_train.json
├── ai_challenger_valid.json
├── train
└── valid

该训练数据集仅包含单人图像，数据来源是AI Challenger竞赛。共包含22446个训练样本和1500个测试样本。

该repo作者使用tf-pose-estimation库中的数据增强代码将标注迁移为COCO格式.tf-pose-estimate库：https：//github.com/ildoonet/tf-pose-estimation

超参数

训练步骤中，使用实验文件夹中的cfg文件传输超参数。

以下是mv2_cpm.cfg文件的内容：

[Train]
model: 'mv2_cpm'
checkpoint: False
datapath: '/root/hdd/ai_challenger'
imgpath: '/root/hdd/'
visible_devices: '0, 1, 2'
multiprocessing_num: 8
max_epoch: 1000
lr: '0.001'
batchsize: 5
decay_rate: 0.95
input_width: 192
input_height: 192
n_kpoints: 14
scale: 2
modelpath: '/root/hdd/trained/mv2_cpm/models'
logpath: '/root/hdd/trained/mv2_cpm/log'
num_train_samples: 20000
per_update_tensorboard_step: 500
per_saved_model_step: 2000
pred_image_on_tensorboard: True

该cfg文件覆盖模型的所有参数，在network_mv2_cpm.py中仍有一些参数。

使用nvidia-docker训练

通过以下命令构建docker：

cd training/docker
docker build -t single-pose .

或者

docker pull edvardhua/single-pose

然后运行以下命令，训练模型：

nvidia-docker run -it -d 
-v <dataset_path>:/data5 -v <training_code_path>/training:/workspace 
-p 6006:6006 -e LOG_PATH=/root/hdd/trained/mv2_cpm/log 
-e PARAMETERS_FILE=experiments/mv2_cpm.cfg edvardhua/single-pose

此外，它还在端口6006上创建了tensorboard。确保安装了nvidia-docker。

按一般方法训练

1.安装依赖项：

cd training
pip3 install -r requirements.txt

还需要安装cocoapi（https://github.com/cocodataset/cocoapi）。

2.编辑实验文件夹中的参数文件，它包含几乎所有超参数和训练中需要定义的其他配置。之后，传输参数文件，开始训练：

cd training
python3 src/train.py experiments/mv2_cpm.cfg

在3张英伟达1080Ti显卡上经过12个小时的训练后，该模型几乎收敛。以下是对应的张量板图。

基准（PCKh）

运行以下命令，评估PCKh值。

python3 src/benchmark.py --frozen_pb_path=hourglass/model-360000.pb 
--anno_json_path=/root/hdd/ai_challenger/ai_challenger_valid.json 
--img_path=/root/hdd 
--output_node_name=hourglass_out_3

预训练模型

• CPM：HTTPS：//github.com/edvardHua/PoseEstimationForMobile/tree/master/release/cpm_model
• 沙漏：HTTPS：//github.com/edvardHua/PoseEstimationForMobile/tree/master/release/hourglass_model

安卓演示

由于mace框架，你可以使用GPU在安卓智能机上运行该模型。

按照以下命令将模型转换为mace格式：

cd <your-mace-path># You transer hourglass or cpm model by changing `yml` file.
python tools/converter.py convert --config=<PoseEstimationForMobilePath>/release/mace_ymls/cpm.yml

然后根据mace文档的说明，将模型集成到安卓设备中。

至于如何调用模型，解析输出，可以参见安卓源代码：HTTPS：//github.com/edvardHua/PoseEstimationForMobile/tree/master/android_demo。

一些芯片的平均推断时间基准如下所示：

以下是该回购作者构建该演的环境：

• 操作系统：macOS 10.13.6（mace目前不支持windows）
• Android Studio：3.0.1
• NDK版本：r16

在构建mace-demo时，不同环境可能会遇到不同的错误。为避免这种情况，作者建议使用docker。

docker pull registry.cn-hangzhou.aliyuncs.com/xiaomimace/mace-dev-lite

docker run -it
 --privileged -d --name mace-dev 
 --net=host 
 -v to/you/path/PoseEstimationForMobile/android_demo/demo_mace:/demo_mace 
 registry.cn-hangzhou.aliyuncs.com/xiaomimace/mace-dev-lite

docker run -it --privileged -d --name mace-dev --net=host 
 -v to/you/path/PoseEstimationForMobile/android_demo/demo_mace:/demo_mace 
 registry.cn-hangzhou.aliyuncs.com/xiaomimace/mace-dev-lite
# Enter to docker
docker exec -it mace-dev bash
# Exec command inside the dockercd /demo_mace && ./gradlew build

或者将模型转换为tflite：

# Convert to frozen pb.cd training
python3 src/gen_frozen_pb.py 
--checkpoint=<you_training_model_path>/model-xxx --output_graph=<you_output_model_path>/model-xxx.pb 
--size=192 --model=mv2_cpm_2
# If you update tensorflow to 1.9, run following command.
python3 src/gen_tflite_coreml.py 
--frozen_pb=forzen_graph.pb 
--input_node_name='image' 
--output_node_name='Convolutional_Pose_Machine/stage_5_out' 
--output_path='./' 
--type=tflite
 # Convert to tflite.# See https://github.com/tensorflow/tensorflow/blob/master/tensorflow/docs_src/mobile/tflite/devguide.md for more information.
bazel-bin/tensorflow/contrib/lite/toco/toco 
--input_file=<you_output_model_path>/model-xxx.pb 
--output_file=<you_output_tflite_model_path>/mv2-cpm.tflite 
--input_format=TENSORFLOW_GRAPHDEF --output_format=TFLITE 
--inference_type=FLOAT 
--input_shape="1,192,192,3" 
--input_array='image' 
--output_array='Convolutional_Pose_Machine/stage_5_out'

然后，将tflite文件放在android_demo / app / src / main / assets中，修改ImageClassifierFloatInception.kt中的参数。

............// parameters need to modify in ImageClassifierFloatInception.kt/**     * Create ImageClassifierFloatInception instance     *     * @param imageSizeX Get the image size along the x axis.     * @param imageSizeY Get the image size along the y axis.     * @param outputW The output width of model     * @param outputH The output height of model     * @param modelPath Get the name of the model file stored in Assets.     * @param numBytesPerChannel Get the number of bytes that is used to store a single     * color channel value.     */
    fun create(
      activity: Activity,
      imageSizeX: Int = 192,
      imageSizeY: Int = 192,
      outputW: Int = 96,
      outputH: Int = 96,
      modelPath: String = "mv2-cpm.tflite",
      numBytesPerChannel: Int = 4
    ): ImageClassifierFloatInception =
      ImageClassifierFloatInception(
          activity,
          imageSizeX,
          imageSizeY,
          outputW,
          outputH,
          modelPath,
          numBytesPerChannel)............

最后，将该项目导入Android Studio，在智能机设备上运行。

iOS演示

首先，将模型转换为CoreML模型：

# Convert to frozen pb.cd training
python3 src/gen_frozen_pb.py 
--checkpoint=<you_training_model_path>/model-xxx --output_graph=<you_output_model_path>/model-xxx.pb 
--size=192 --model=mv2_cpm_2
# Run the following command to get mlmodel
python3 src/gen_tflite_coreml.py 
--frozen_pb=forzen_graph.pb 
--input_node_name='image' 
--output_node_name='Convolutional_Pose_Machine/stage_5_out' 
--output_path='./' 
--type=coreml

然后，按照PoseEstimation-CoreML中的说明来操作（https://github.com/tucan9389/PoseEstimation-CoreML）。