OpenPose模型-推理指导

• 概述

  • 输入输出数据

• 推理环境准备

• 快速上手

  • 获取源码
  • 准备数据集
  • 模型推理

• 模型推理性能

概述

OpenPose是基于卷积神经网络和监督学习的开源库，可以实现人的面部表情、躯干和四肢甚至手指的跟踪，不仅适用于单人也适用于多人，同时具有较好的鲁棒性。可以称是世界上第一个基于深度学习的实时多人二维姿态估计，是人机交互上的一个里程碑，为机器理解人提供了一个高质量的信息维度。

与所有自底向上的方法类似，OpenPose管道由两部分组成： 神经网络的推理提供两个张量:关键点热图及其成对关系。这个输出向下采样8次。 按个人实例分组关键点。它包括将张量向上采样到原始图像大小，在热图峰值处提取关键点，并按实例进行分组。 该网络首先提取特征，然后对热图和pafs进行初始估计，执行5个细化阶段。它可以找到18种类型的关键点。然后，分组过程从预定义的关键点对列表中搜索每个关键点的最佳配对，例如。左肘左腕，右臀右膝，左眼左耳等，共19对。

• 参考论文：Daniil Osokin.Real-time 2D Multi-Person Pose Estimation on CPU:Lightweight OpenPose.(2018)

• 参考实现：

  url=https://github.com/Daniil-Osokin/lightweight-human-pose-estimation.pytorch
  branch=master 
  commit_id=1590929b601535def07ead5522f05e5096c1b6ac
  

输入输出数据

• 输入数据

  输入数据	大小	数据类型	数据排布格式
  input	batchsize x 3 x 368 x 640	RGB_FP32	NCHW

• 输出数据

  输出数据	大小	数据类型	数据排布格式
  output1	batchsize x 19 x 46 x 80	FLOAT32	ND
  output2	batchsize x 38 x 46 x 80	FLOAT32	ND

推理环境准备

• 该模型需要以下插件与驱动

  表 1 版本配套表

快速上手

获取源码

1. 获取源码。

   源码目录结构：

   ├── OpenPose_pth2onnx.py         //用于转换pth文件到onnx文件 
   ├── OpenPose_preprocess.py      //数据集预处理脚本，通过均值方差处理归一化图片并进行缩放填充等
   ├── OpenPose_postprocess.py     //验证推理结果脚本，模型输出的分类结果和标签，给出Accuracy 
   └── README.md
   

2. 获取开源代码仓。 在已下载的源码包根目录下，执行如下命令。

   git clone https://github.com/Daniil-Osokin/lightweight-human-pose-estimation.pytorch.git  
   cd lightweight-human-pose-estimation.pytorch
   git checkout master
   git reset --hard 1590929b601535def07ead5522f05e5096c1b6ac
   cd -
   

3. 安装依赖。

   pip install -r requirements.txt
   

准备数据集

1. 获取原始数据集。

   本模型支持coco2017 5000张图片的验证集。请用户需自行获取coco val2017验证集，上传数据集到服务器任意目录并解压（如：当前文件夹/opt/npu/coco）。本模型将使用到val2017.zip验证集及annotations_trainval2017.zip中的person_keypoints_val2017.json数据标签。

   数据集文件夹结构如下：

   coco
   ├──val2017
      ├── img.jpg
   ├──annotations
      ├── captions_train2017.json
      ├── captions_val2017.json
      ├── instances_train2017.json
      ├── instances_val2017.json
      ├── person_keypoints_train2017.json
      ├── person_keypoints_val2017.json
   

2. 数据预处理。

   1. 建立数据存储文件夹。

      mkdir -p ./datasets/coco/prep_dataset
      mkdir ./output
      

   2. 数据预处理将原始数据集转换为模型输入的数据。

      执行“OpenPose_preprocess.py”脚本文件。

      python OpenPose_preprocess.py --src_path /opt/npu/coco/val2017 --save_path datasets/coco/prep_dataset --pad_txt_path output/pad.txt
      
      • 参数说明：
        • --src_path：为数据集路径。
        • --save_path：为模型输入数据存储路径。
        • --pad_txt_path：输出文件路径。

      执行成功后，在当前目录放入datasets/coco/prep_dataset下为预处理后的数据文件

模型推理

1. 模型转换。

   使用PyTorch将模型权重文件.pth转换为.onnx文件，再使用ATC工具将.onnx文件转为离线推理模型文件.om文件。

   1. 获取权重文件checkpoint_iter_370000.pth，提取码k3w8，放在当前目录weights下。

   2. 导出onnx文件。

      使用checkpoint_iter_370000.pth导出onnx文件。

      运行OpemPose_pth2onnx.py脚本。

      python OpenPose_pth2onnx.py --checkpoint_path=./weights/checkpoint_iter_370000.pth --output_name=onnx2om/human-pose-estimation.onnx
      
      • 参数说明：
        • --checkpoint_path：权重pth文件路径。
        • --output_name：输出onnx文件路径。

      获得human-pose-estimation.onnx文件。

   3. 使用ATC工具将ONNX模型转OM模型。

      1. 配置环境变量。

          source /usr/local/Ascend/ascend-toolkit/set_env.sh
         

         说明： 该脚本中环境变量仅供参考，请以实际安装环境配置环境变量。详细介绍请参见《CANN 开发辅助工具指南 (推理)》。

      2. 执行命令查看芯片名称(${chip_name})。

         npu-smi info
         #该设备芯片名为Ascend310P3
         回显如下：
         +-------------------+-----------------+------------------------------------------------------+
         | NPU     Name      | Health          | Power(W)     Temp(C)           Hugepages-Usage(page) |
         | Chip    Device    | Bus-Id          | AICore(%)    Memory-Usage(MB)                        |
         +===================+=================+======================================================+
         | 0       310P3     | OK              | 17.6         57                0    / 0              |
         | 0       0         | 0000:3B:00.0    | 0            936 / 21534                            |
         +===================+=================+======================================================+
         

      3. 执行ATC命令。

         atc --framework=5 --model=onnx2om/human-pose-estimation.onnx --output=onnx2om/human-pose-estimation_bs1 --input_format=NCHW --input_shape="data:1,3,368,640" --log=debug --soc_version=Ascend${chip_name}
         

         • 参数说明：

           • --model：为ONNX模型文件。
           • --framework：5代表ONNX模型。
           • --output：输出的OM模型。
           • --input_format：输入数据的格式。
           • --input_shape：输入数据的shape。
           • --log：日志级别。
           • --soc_version：处理器型号。

         运行成功后在onnx2om目录下生成 human-pose-estimation_bs1.om 模型文件。

2. 开始推理验证。

   1. 安装ais_bench推理工具。

      请访问ais_bench推理工具代码仓，根据readme文档进行工具安装。

   2. 创建输出的result文件夹。

      mkdir result
      

   3. 执行推理。

      执行命令

      python -m ais_bench --model onnx2om/human-pose-estimation_bs1.om --input datasets/coco/prep_dataset --output result --output_dirname dumpout_bs1 --outfmt TXT --batchsize 1
      
      • 参数说明：
        • --model：om模型的路径。
        • --input：输入模型的二进制文件路径。
        • --output：推理结果输出目录。
        • --output_dirname：推理结果输出的二级目录名。
        • --batchsize：输入数据的batchsize。

      推理后的输出在当前目录result下。

   4. 精度验证。

      调用OpenPose_postprocess.py脚本与数据集标签person_keypoints_val2017.json比对，可以获得Accuracy数据。

      python OpenPose_postprocess.py --dump_output_result_path result/dumpout_bs1/  --labels /opt/npu/coco/annotations/person_keypoints_val2017.json  --pad_txt_path ./output/pad.txt --detections_save_path ./output/result_b1.json
      
      • 参数说明：
        • --dump_output_result_path：生成推理结果所在路径。
        • --labels ：标签数据。
        • --pad_txt_path：填充信息。
        • --detections_save_path：生成结果文件。

   5. 性能验证

      可使用ais_bench推理工具的纯推理模式验证不同batch_size的om模型的性能，命令如下：

      python -m ais_bench --model=onnx2om/human-pose-estimation_bs1.om --loop=20 --batchsize=1
      

模型推理性能&精度