ModelBox开发体验Day06开发案例-多人人体关键点检测

• 本案例使用Lightweight OpenPose模型，实现一个多人人体关键点检测应用
• 代码：https://github.com/sunxiaobei/modelbox_gallery
• 代码tag：v1.6 multi_person_pose_lightweight_openpose
• 此案例暂未跑通，总是卡死

开发准备

• 开发环境安装和部署，前面环境已完成
• 模型训练，ModelArts训练模型
• 模型转换，代码模型已完成转换

应用开发

打开VS Code，连接到ModelBox sdk所在目录或者远程开发板，开始进行口罩检测应用开发。

（1）创建工程

使用create.py创建multi_person_pose_lightweight_openpose工程, 将会创建出一个空的ModelBox样例工程。

./create.py -t server -n multi_person_pose_lightweight_openpose

git add .
git commit -m 'multi_person_pose_lightweight_openpose'
git push

（2）创建推理功能单元

• AI应用的核心是模型推理部分，我们用如下命令创建推理功能单元，该模块将会创建在工程目录的model文件夹下：

./create.py -t infer -n pose_infer -p multi_person_pose_lightweight_openpose

git add .
git commit -m 'create pose_infer'

• 将资源包中model/pose_infer文件夹中的模型和配置文件拷贝到多人人体关键点检测工程的model/pose_infer目录下。

• 其中lightweight_openpose_288x512_rknpu2.rknn是转换好的rknn模型，pose_infer.toml是该模型的ModelBox功能单元配置文件，其内容如下：

# Copyright (c) Huawei Technologies Co., Ltd. 2022. All rights reserved.

[base]
name = "pose_infer"
device = "rknpu"
version = "1.0.0"
description = "lightweight_openpose_288x512_rknpu2"
entry = "./lightweight_openpose_288x512_rknpu2.rknn"  # model file path, use relative path
type = "inference"
virtual_type = "rknpu2" # inference engine type: rockchip now support rknpu, rknpu2(if exist)
group_type = "Inference"  # flowunit group attribution, do not change
is_input_contiguous = "false" # rk do not support memory combine, fix, do not change

[input]
[input.input1]
name = "input"
type = "uint8"
device = "rknpu"

[output]
[output.output1]
name = "out_heatmaps"
type = "float"

[output.output2]
name = "out_pafs"
type = "float"

• 可以看到该模型有两个输出节点，即关键点信息和关节信息对应的feature map，需要从中解码出所有的关键点并组合成每个人的关节。

（3）创建后处理功能单元

• 后处理功能单元负责从模型推理结果中解码出关键点和关节，我们用如下命令创建该功能单元，其将会创建在工程目录的etc/flowunit文件夹下：

./create.py -t python -n pose_post_light -p multi_person_pose_lightweight_openpose

git add .
git commit -m 'create pose_post_light'

• 将common资源包中etc/flowunit/pose_post_light文件夹中的代码和配置文件拷贝到本工程的同名目录下。解码过程的核心逻辑在pose_utils_light.py文件中，可以查阅OpenPose模型细节阅读代码。

（4）创建画图功能单元

得到关键点后可以画在原图上进行输出展示，我们用如下命令创建画图功能单元：

./create.py -t python -n draw_pose_light -p multi_person_pose_lightweight_openpose


git add .
git commit -m 'create draw_pose_light'

将common资源包中etc/flowunit/draw_pose_light文件夹中的代码和配置文件拷贝到口罩检测工程的同名目录下。

（5）修改流程图

模型推理和配套的功能单元准备好后，我们就可以串联出流程图进行测试了，本工程默认在graph目录下生成了multi_person_pose_lightweight_openpose.toml，我们参考资源包中的graph/multi_person_pose_lightweight_openpose.toml将其修改为：

# Copyright (c) Huawei Technologies Co., Ltd. 2022. All rights reserved.

[driver]
dir = ["${HILENS_APP_ROOT}/etc/flowunit",
"${HILENS_APP_ROOT}/etc/flowunit/cpp",
"${HILENS_APP_ROOT}/model",
"${HILENS_MB_SDK_PATH}/flowunit"]
skip-default = true
[profile]
profile=false
trace=false
dir=""
[graph]
format = "graphviz"
graphconf = """digraph multi_person_pose_lightweight_openpose {
    node [shape=Mrecord];
    queue_size = 4
    batch_size = 1
    input1[type=input,flowunit=input,device=cpu,deviceid=0]

    data_source_parser[type=flowunit, flowunit=data_source_parser, device=cpu, deviceid=0]
    video_demuxer[type=flowunit, flowunit=video_demuxer, device=cpu, deviceid=0]
    video_decoder[type=flowunit, flowunit=video_decoder, device=rknpu, deviceid=0, pix_fmt=bgr]
    image_resize[type=flowunit, flowunit=resize, device=rknpu, deviceid=0, image_width=512, image_height=288]
    pose_detection[type=flowunit, flowunit=pose_infer, device=rknpu, deviceid=0]
    pose_post_light[type=flowunit, flowunit=pose_post_light, device=cpu, deviceid=0]
    draw_pose_light[type=flowunit, flowunit=draw_pose_light, device=cpu, deviceid=0]
    video_out[type=flowunit, flowunit=video_out, device=rknpu, deviceid=0]

    input1:input -> data_source_parser:in_data
    data_source_parser:out_video_url -> video_demuxer:in_video_url
    video_demuxer:out_video_packet -> video_decoder:in_video_packet
    video_decoder:out_video_frame -> image_resize:in_image
    image_resize:out_image -> pose_detection:input
    pose_detection:out_heatmaps -> pose_post_light:in_heatmaps
    pose_detection:out_pafs -> pose_post_light:in_pafs
    video_decoder:out_video_frame -> draw_pose_light:in_image
    pose_post_light:out_pose -> draw_pose_light:in_pose
    draw_pose_light:out_image -> video_out:in_video_frame
}"""
[flow]
desc = "multi_person_pose_lightweight_openpose run in modelbox-rk-aarch64"

git add .
git commit -m 'modify graph'

该流程图对于某个视频流，经过视频解码、图像缩放、lightweight openpose推理、关键点后处理与画图等一系列操作后，将结果保存下来。

然后，参考common资源包中mock_task.toml，将工程的任务配置文件bin/mock_task.toml中输入输出部分修改为：

# 任务输入,mock模拟目前仅支持一路rtsp或者本地url
# rtsp摄像头，type = "rtsp", url里面写入rtsp地址
# 其它用"url"，比如可以是本地文件地址, 或者httpserver的地址，(摄像头 url = "0")
[input]
type = "url"
url = "../data/multi_person_pose.mp4"

# 任务输出,目前仅支持"webhook", 和本地输出"local"(输出到屏幕,url="0", 输出到rtsp，填写rtsp地址)
# (local 还可以输出到本地文件，这个时候注意，文件可以是相对路径，是相对这个mock_task.toml文件本身)
[output]
type = "local"
url = "../hilens_data_dir/multi_person_pose_result.mp4"

（6）运行应用

在工程路径下执行build_project.sh进行工程构建：

cd workspace/multi_person_pose_lightweight_openpose
./build_project.sh

git add .
git commit -m 'build'

执行bin/main.sh运行应用（如果运行报错请切换到root账号再运行，本应用需要事先使用pip安装好OpenCV、NumPy），运行结束后在hilens_data_dir目录下生成了multi_person_pose_result.mp4文件，可以下载到PC端查看。

bin/main.sh

git add .
git commit -m 'run multi_person_pose_lightweight_openpose'
git push
 
git tag -a v1.6 -m 'multi_person_pose_lightweight_openpose'
git push origin --tags

No such file or directory
# 查看是否配置错了

• 卡死- 机器重启

• 总是卡死

git add .
git commit -m 'run failed'

• 重启

cd workspace/multi_person_pose_lightweight_openpose
bin/main.sh

git add .
git commit -m 'run multi_person_pose_lightweight_openpose'
git push
 
git tag -a v1.6.1 -m 'multi_person_pose_lightweight_openpose'
git push origin --tags

• 又卡死

小结

• 前面几个案例尚且可以清一清，重启一下，然后跑起来了，这个案例试了好多次都没有跑起来。希望后面有机会再继续体验。

参考文献：

• https://developer.huaweicloud.com/develop/aigallery/article/detail?id=0163b46b-34fa-468d-b243-2ef067170d4a
• https://modelbox-ai.com/modelbox-book/
• https://developer.huaweicloud.com/develop/aigallery/article/detail?id=d32e9fd1-2180-4a74-885d-09be18da7ef3