$ hub install openpose_body_estimation==1.1.0

openpose_body_estimation

一、模型基本信息

• 应用效果展示

  • 人体关键点（左）、模型预测效果（右）

    

• 模型介绍

  • openpose_body_estimation是基于'Realtime Multi-Person 2D Pose Estimation using Part Affinity Fields'构建的用于肢体关键点检测的模型，该模型可以与openpose_hands_estimation模型联合使用检测肢体和手部关键点。

二、安装

• 1、环境依赖

  • paddlepaddle >= 2.0.0

  • paddlehub >= 2.0.0

• 2、安装

  • $ hub install openpose_body_estimation

三、模型API预测

• 1、命令行预测

  • $ hub run openpose_body_estimation --input_path "/PATH/TO/IMAGE"

• 2、预测代码示例

  • import paddlehub as hub
    
    model = hub.Module(name='openpose_body_estimation')
    result = model.predict('/PATH/TO/IMAGE')
    model.save_inference_model('/PATH/TO/SAVE/MODEL')
    
    # PaddleHub示例图片下载方法：
    # wget https://paddlehub.bj.bcebos.com/resources/test_image.jpg

• 3、API

  • def __init__(self, load_checkpoint: str = None):

    • 模型初始化函数
    • 参数
      • load_checkpoint(str): 肢体检测模型，用户可以指定自己的模型地址。 默认为None时，会使用PaddleHub提供的默认模型。

  • def predict(self,
                img, 
                save_path='openpose_body',  
                visualization=True):

    • 识别输入图片中的所有人肢体关键点。
    • 参数
      • img (numpy.ndarray|str): 图片数据，使用图片路径或者输入numpy.ndarray，BGR格式；
      • save_path (str): 图片保存路径， 默认为'openpose_body'；
      • visualization (bool): 是否将识别结果保存为图片文件；
    • 返回
      • res (dict): 识别结果的列表，列表元素为 dict, 有以下两个字段：
        • data : 可视化图片内容(numpy.ndarray，BGR格式);
        • candidate: 图片中所有肢体关键点坐标;
        • subset: 不同的人不同关键点对应的关键点坐标的索引。

  • def save_inference_model(save_dir):

    • 将模型保存到指定路径。
    • 参数
      • save_dir(str): 存在模型的目录名称。

四、服务部署

• PaddleHub Serving可以部署一个在线肢体关键点检测服务。

• 第一步：启动PaddleHub Serving

  • 运行启动命令：

  • $ hub serving start -m openpose_body_estimation -p 8866

  • 这样就完成了一个肢体关键点服务化API的部署，默认端口号为8866。

  • NOTE: 如使用GPU预测，则需要在启动服务之前，请设置CUDA_VISIBLE_DEVICES环境变量，否则不用设置。

• 第二步：发送预测请求

  • 配置好服务端，以下数行代码即可实现发送预测请求，获取预测结果

  • import requests
    import json
    import cv2
    import base64
    
    import numpy as np
    
    
    def cv2_to_base64(image):
        data = cv2.imencode('.jpg', image)[1]
        return base64.b64encode(data.tostring()).decode('utf8')
    
    def base64_to_cv2(b64str):
        data = base64.b64decode(b64str.encode('utf8'))
        data = np.fromstring(data, np.uint8)
        data = cv2.imdecode(data, cv2.IMREAD_COLOR)
        return data
    
    # 发送HTTP请求
    org_im = cv2.imread('/PATH/TO/IMAGE')
    data = {'images':[cv2_to_base64(org_im)]}
    headers = {"Content-type": "application/json"}
    url = "http://127.0.0.1:8866/predict/openpose_body_estimation"
    r = requests.post(url=url, headers=headers, data=json.dumps(data))
    
    canvas = base64_to_cv2(r.json()["results"]['data'])
    cv2.imwrite('keypoint_body.png', canvas)

五、更新历史

• 1.0.0

  初始发布

• 1.1.0

  更新代码格式