實時單人姿態估計，在自己手機上就能實現 : ) 安卓和iOS都可以哦～

科技 02-02

選自GitHub

作

者：

edvardHua

參與：路

本文介紹了如何使用 TensorFlow 在智能機上（包括安卓和 iOS 設備）執行實時單人姿態估計。

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

該 repo 使用 TensorFlow 實現 CPM 和 Hourglass 模型。這裡未使用常規的卷積，而是在模型內部使用了反向卷積（又叫 Mobilenet V2），以便執行實時推斷。

註：你可以修改網路架構，來訓練更高 PCKh 的模型。架構地址：https://github.com/edvardHua/PoseEstimationForMobile/tree/master/training/src

該庫包含：

訓練 CPM 和 Hourglass 模型的代碼；

安卓 demo 的源代碼；

IOS demo 的源代碼。

下面的 gif 是在 Mi Mix2s 上截取的（~60 FPS）

你可以下載以下 apk，在自己的設備上進行測試。

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

訓練

依賴項

Python3

TensorFlow >= 1.4

Mace

數據集

訓練數據集：https://drive.google.com/open?id=1zahjQWhuKIYWRRI2ZlHzn65Ug_jIiC4l

將其解壓縮，獲取以下文件結構：

# root @ ubuntu in ~/hdd/ai_challenger


$ tree -L 1
 ..
├── ai_challenger_train.json
├── ai_challenger_valid.json
├── train
└── valid

該訓練數據集僅包含單人圖像，數據來源是 AI Challenger 競賽。共包含 22446 個訓練樣本和 1500 個測試樣本。

該 repo 作者使用 tf-pose-estimation 庫中的數據增強代碼將標註遷移為 COCO 格式。tf-pose-estimation 庫：https://github.com/ildoonet/tf-pose-estimation

超參數

訓練步驟中，使用 experiments 文件夾中的 cfg 文件傳輸超參數。

以下是 mv2_cpm.cfg 文件的內容：

[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

該 cfg 文件覆蓋模型的所有參數，在 network_mv2_cpm.py 中仍有一些參數。

使用 nvidia-docker 訓練

通過以下命令構建 docker：

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

或者

docker pull edvardhua/single-pose

然後運行以下命令，訓練模型：

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，它還在 port 6006 上創建了 tensorboard。確保安裝了 nvidia-docker。

按一般方法訓練

1. 安裝依賴項：

cd training pip3 install -r requirements.txt

還需要安裝 cocoapi (https://github.com/cocodataset/cocoapi)。

2. 編輯 experiments 文件夾中的參數文件，它包含幾乎所有超參數和訓練中需要定義的其他配置。之後，傳輸參數文件，開始訓練：

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

在 3 張英偉達 1080Ti 顯卡上經過 12 個小時的訓練後，該模型幾乎收斂。以下是對應的 tensorboard 圖。

基準（PCKh）

運行以下命令，評估 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

預訓練模型

CPM：https://github.com/edvardHua/PoseEstimationForMobile/tree/master/release/cpm_model

Hourglass：https://github.com/edvardHua/PoseEstimationForMobile/tree/master/release/hourglass_model

安卓 demo

由於 mace 框架，你可以使用 GPU 在安卓智能機上運行該模型。

按照以下命令將模型轉換為 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

然後根據 mace 文檔的說明，將模型集成到安卓設備中。

至於如何調用模型、解析輸出，可以參見安卓源代碼：https://github.com/edvardHua/PoseEstimationForMobile/tree/master/android_demo。

一些晶元的平均推斷時間基準如下所示：

以下是該 repo 作者構建該 demo 的環境：

操作系統：macOS 10.13.6（mace 目前不支持 windows）

Android Studio：3.0.1

NDK 版本：r16

在構建 mace-demo 時，不同環境可能會遇到不同的錯誤。為避免這種情況，作者建議使用 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

或者將模型轉換為 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"

然後，將 tflite 文件放在 android_demo/app/src/main/assets 中，修改 ImageClassifierFloatInception.kt 中的參數。

............// 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)............

最後，將該項目導入 Android Studio，在智能機設備上運行。

iOS Demo

首先，將模型轉換為 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