PaddleHub人體骨骼關鍵點檢測(2.0環境)

目錄

• PaddleHub人體骨骼關鍵點檢測
• • human_pose_estimation_resnet50_mpii
  • 一、安裝新版Hub
  • 二、定義待預測照片
  • 三、API預測
  • 四、指令行預測
  • 五、實作效果

PaddleHub人體骨骼關鍵點檢測

human_pose_estimation_resnet50_mpii

人體骨骼關鍵點檢測(Pose Estimation) 是計算機視覺的基礎性算法之一，在諸多計算機視覺任務起到了基礎性的作用，如行為識别、人物跟蹤、步态識别等相關領域。具體應用主要集中在智能視訊監控，病人監護系統，人機互動，虛拟現實，人體動畫，智能家居，智能安防，運動員輔助訓練等等。 該模型的論文《Simple Baselines for Human Pose Estimation and Tracking》由 MSRA 發表于 ECCV18，使用 MPII 資料集訓練完成。

NOTE： 如果您在本地運作該項目示例，需要首先安裝PaddleHub。如果您線上運作，需要首先fork該項目示例。之後按照該示例操作即可。

human_pose_estimation_resnet50_mpii模型連結：https://www.paddlepaddle.org.cn/hubdetail?name=human_pose_estimation_resnet50_mpii&en_category=KeyPointDetection

環境：PaddlePaddle2.0.0rc PaddleHub2.0.0b1 human_pose_estimation_resnet50_mpii 1.1.1(最新版)

一、安裝新版Hub

!pip install paddlehub==2.0.0b1 -i https://pypi.tuna.tsinghua.edu.cn/simple
           

二、定義待預測照片

以本示例中檔案夾下girl.jpg為待預測圖檔

三、API預測

def keypoint_detection(self,
                       images=None,
                       paths=None,
                       batch_size=1,
                       use_gpu=False,
                       output_dir='output_pose',
                       visualization=False)
           

預測API，識别出人體骨骼關鍵點。

參數

• images (list[numpy.ndarray]): 圖檔資料，ndarray.shape 為 [H, W, C]；
• paths (list[str]): 圖檔的路徑；
• batch_size (int): batch 的大小；
• use_gpu (bool): 是否使用 GPU；
• visualization (bool): 是否将識别結果儲存為圖檔檔案；
• output_dir (str): 圖檔的儲存路徑，預設設為 output_pose。

傳回

• res (listdict): 識别元素的清單，清單元素為 dict，關鍵字為 ‘path’, ‘data’，相應的取值為：
  • path (str): 原圖的路徑；
  • data (OrderedDict): 人體骨骼關鍵點的坐标。

import cv2
import paddlehub as hub

pose_estimation = hub.Module(name="human_pose_estimation_resnet50_mpii")

result = pose_estimation.keypoint_detection(images=[cv2.imread(image)],visualization=True)
print(result)
# or
# result = pose_estimation.keypoint_detection(paths=['/PATH/TO/IMAGE'])
           

四、指令行預測

!hub run human_pose_estimation_resnet50_mpii --input_path "girl.jpg"
           

五、實作效果

點我進入項目