当前位置： 首页 > news >正文

2016网站备案,wordpress多域名不稳定,安卓系统应用开发,最新室内设计效果图如果你对MindSpore感兴趣#xff0c;可以关注昇思MindSpore社区 一、环境准备 1.进入ModelArts官网 云平台帮助用户快速创建和部署模型#xff0c;管理全周期AI工作流#xff0c;选择下面的云平台以开始使用昇思MindSpore#xff0c;获取安装命令#xff0c;安装MindSpo…如果你对MindSpore感兴趣可以关注昇思MindSpore社区 一、环境准备 1.进入ModelArts官网 云平台帮助用户快速创建和部署模型管理全周期AI工作流选择下面的云平台以开始使用昇思MindSpore获取安装命令安装MindSpore2.0.0-alpha版本可以在昇思教程中进入ModelArts官网 选择下方CodeLab立即体验 等待环境搭建完成 2.使用CodeLab体验Notebook实例 下载NoteBook样例代码Lite-HRNet实现人体关键点检测 .ipynb为样例代码 选择ModelArts Upload Files上传.ipynb文件 选择Kernel环境 切换至GPU环境切换成第一个限时免费 进入昇思MindSpore官网点击上方的安装 获取安装命令 回到Notebook中在第一块代码前加入命令
conda update -n base -c defaults conda安装MindSpore 2.0 GPU版本 conda install mindspore2.0.0a0 -c mindspore -c conda-forge安装mindvision pip install mindvision安装下载download pip install download人体关键点检测模型Lite-HRNet 人体关键点检测是计算机视觉的基本任务之一在许多应用场景诸如自动驾驶、安防等有着重要的地位。可以发现在这些应用场景下深度学习模型可能需要部署在IoT设备上这些设备算力较低存储空间有限无法支撑太大的模型因此轻量但不失高性能的人体关键点检测级模型将极大降低模型部署难度。Lite-HRNet便提供了一轻量级神经网络骨干通过接上不同的后续模型可以完成不同的任务其中便包括人体关键点检测在配置合理的情况下Lite-HRNet可以以大型神经网络数十分之一的参数量及计算量达到相近的性能。 模型简介 Lite-HRNet由HRNet(High-Resolution Network)改进而来HRNet的主要思路是在前向传播过程中通过维持不同分辨率的特征使得最后生成的高阶特征既可以保留低分辨率高阶特征中的图像语义信息也可以保留高分辨率高阶特征中的物体位置信息进而提高在分辨率敏感的任务如语义分割、姿态检测中的表现。Lite-HRNet是HRNet的轻量化改进改进了HRNet中的卷积模块将HRNet中的参数量从28.5M降低至1.1M计算量从7.1GFLOPS降低至0.2GFLOPS但AP75仅下降了7%。 综上Lite-HRNet具有计算量、参数量低精度可观的优点有利于部署在物联网低算力设备上服务于各个应用场景。 数据准备 本案例使用COCO2017数据集作为训练、验证数据集请首先安装Mindspore Vision套件并确保安装的Mindspore是GPU版本随后请在https://cocodataset.org/ 上下载好2017 Train Images、2017 Val Images以及对应的标记2017 Train/Val Annotations并解压至当前文件夹文件夹结构下表所示 Lite-HRNet/├── imgs├── src├── annotations├──person_keypoints_train2017.json└──person_keypoints_train2017.json├── train2017└── val2017训练、测试原始图片如下所示图片中可能包含多个人体且包含的人体不一定包含COCO2017中定义的17个关键点标注中有每个人体的边框、关键点信息以便处理图像后供模型训练。 数据预处理 src/mindspore_coco.py中定义了供mindspore模型训练、测试的COCO数据集接口在加载训练数据集时只需指定所用数据集文件夹位置、输入图像的尺寸、目标热力图的尺寸、以及手动设置对训练图像采用的变换即可 import mindspore as ms import mindspore.dataset as dataset import mindspore.dataset.vision.py_transforms as py_vision import mindspore.nn as nn from mindspore.dataset.transforms.py_transforms import Composefrom src.configs.dataset_config import COCOConfig from src.dataset.mindspore_coco import COCODatasetcfg COCOConfig(root./, output_diroutputs/, image_size[192, 256], heatmap_size[48, 64]) trans Compose([py_vision.ToTensor(),py_vision.Normalize(mean[0.485, 0.456, 0.406], std[0.229, 0.224, 0.225])]) train_ds COCODataset(cfg, ../, train2017, True, transformtrans) train_loader dataset.GeneratorDataset(train_ds, [data, target, weight])构建网络 Lite-HRNet网络骨干大体结构如下图所示
网络中存在不同的分辨率分支网络主干上维持着较高分辨率、较少通道数的输出特征网络分支上延展出较低分辨率、较多通道数的输出特征且这些不同分辨率的特征之间通过上采样、下采样的卷积层进行交互、融合。Stage内的Cross Channel Weighting(CCW)则是网络实现轻量化的精髓它将原HRNet中复杂度较高的1*1卷积以更低复杂度的Spatial Weighting等方法替代从而实现降低网络参数、计算量的效果。CCW的结构如下图所示 值得注意的是除了骨干网络作者在论文中同时也给出了所使用的检测头即SimpleBaseline为了简洁起见在本次的Lite-HRNet的Mindspore实现中检测头代码中包括IterativeHeads和LiteTopDownSimpleHeatMap已集成至骨干网络之后作为整体模型的一部分直接调用模型即可得到热力图预测输出。 损失函数 此处使用损失函数为JointMSELoss即关节点的均方差误差损失函数其源码如下所示总体流程即计算每个关节点预测热力图与实际热力图的均方差其中target是根据关节点的人工标注坐标通过二维高斯分布生成的热力图target_weight用于指定参与计算的关节点若某关节点对应target_weight取值为0则表明该关节点在输入图像中未出现不参与计算。 JointMSELoss import mindspore.nn as nn import mindspore.ops as opsclass JointsMSELoss(nn.Cell):Joint MSELossdef init(self, use_target_weight):JointMSELosssuper(JointsMSELoss, self).init()self.criterion nn.MSELoss(reductionmean)self.use_target_weight use_target_weightdef construct(self, output, target, weight):constructtarget targettarget_weight weightbatch_size output.shape[0]num_joints output.shape[1]spliter ops.Split(axis1, output_numnum_joints)mul ops.Mul()heatmaps_pred spliter(output.reshape((batch_size, num_joints, -1)))heatmaps_gt spliter(target.reshape((batch_size, num_joints, -1)))loss 0for idx in range(num_joints):heatmap_pred heatmaps_pred[idx].squeeze()heatmap_gt heatmaps_gt[idx].squeeze()if self.use_target_weight:heatmap_pred mul(heatmap_pred, target_weight[:, idx])heatmap_gt mul(heatmap_gt, target_weight[:, idx])loss 0.5 * self.criterion(heatmap_pred,heatmap_gt)else:loss 0.5 * self.criterion(heatmap_pred, heatmap_gt)return loss/num_joints模型实现与训练 在实现模型时需指定模型内部结构在src/net_configs中已指定原论文中10种结构配置在训练样例种取Lite_18_coco作为模型结构此处作为案例仅设置epoch数量为1在实际训练中可以设置为200并且可以加入warmup。由于mindspore的训练接口默认数据集中每条数据只有两列即训练数据和标签所以这里需自定义Loss Cell。值得注意的是loss在训练前后变化并不会十分大训练好的模型的loss为0.0004左右 class CustomWithLossCell(nn.Cell):def init(self,net: nn.Cell,loss_fn: nn.Cell):super(CustomWithLossCell, self).init()self.net netself._loss_fn loss_fndef construct(self, img, target, weight): build network heatmap_pred self.net(img)return self._loss_fn(heatmap_pred,target,weight)from src.configs.net_configs import get_netconfig from mindspore.train.callback import LossMonitor from src.backbone import LiteHRNetext get_netconfig(extra_lite_18_coco) net LiteHRNet(ext) criterion JointsMSELoss(use_target_weightTrue)train_loader train_loader.batch(64) optim nn.Adam(net.trainable_params(), learning_rate2e-3) loss JointsMSELoss(use_target_weightTrue) net_with_loss CustomWithLossCell(net, loss)model ms.Model(networknet_with_loss, optimizeroptim) epochs 1 #Start Training model.train(epochs, train_loader, callbacks[LossMonitor(100)], dataset_sink_modeFalse)模型评估 模型评估过程中使用AP、AP50、AP75以及AR50、AR75作为评价指标val2017作为评价数据集pycocotool包中已实现根据评价函数且src/mindspore_coco.py中的evaluate函数也实现了调用该评价函数的接口只需提供预测关键点坐标等信息即可获得评价指标。此处载入Lite_18_coco的预训练模型进行评价。 from mindspore import load_checkpoint from mindspore import load_param_into_netfrom src.utils.utils import get_final_preds import numpy as npdef evaluate_model(model, dataset, output_path):Evaluatenum_samples len(dataset)all_preds np.zeros((num_samples, 17, 3),dtypenp.float32)all_boxes np.zeros((num_samples, 6))image_path []for i, data in enumerate(dataset):input_data, target, meta data[0], data[1], data[3]input_data ms.Tensor(input_data[0], ms.float32).reshape(1, 3, 256, 192)shit model(input_data).asnumpy()target target.reshape(shit.shape)c meta[center].reshape(1, 2)s meta[scale].reshape(1, 2)score meta[score]preds, maxvals get_final_preds(shit, c, s)all_preds[i:i 1, :, 0:2] preds[:, :, 0:2]all_preds[i:i 1, :, 2:3] maxvals# double check this all_boxes partsall_boxes[i:i 1, 0:2] c[:, 0:2]all_boxes[i:i 1, 2:4] s[:, 0:2]all_boxes[i:i 1, 4] np.prod(s*200, 1)all_boxes[i:i 1, 5] scoreimage_path.append(meta[image])dataset.evaluate(0, all_preds, output_path, all_boxes, image_path)net_dict load_checkpoint(./ckpt/litehrnet_18_coco_256x192.ckpt) load_param_into_net(net, net_dict)eval_ds COCODataset(cfg, ./, val2017, False, transformtrans) evaluate_model(net, eval_ds, ./result)模型推理 Lite-HRNet是关键点检测模型所以输入待推理图像应为包含单个人体的图像作者在论文中提及在coco test 2017测试前已使用SimpleBaseline生成的目标检测Bounding Box处理图像所以待推理图像应仅包含单个人体。网络的输入为(1,3,256,192)所以在输入图像前应先将其变换成网络可处理的形式。 import cv2 from src.utils.utils import get_max_preds origin_img cv2.imread(./imgs/man.jpg) origin_h, origin_w, _ origin_img.shape scale_factor [origin_w/192, origin_h/256]# resize to (112 112 3) and convert to tensor img cv2.resize(origin_img, (192, 256)) print(img.shape) img trans(img)

img np.expand_dims(img, axis0)

img ms.Tensor(img) print(img.shape)# Infer heatmap_pred net(img).asnumpy() pred, _ get_max_preds(heatmap_pred)# Postprocess pred pred.reshape(pred.shape[0], -1, 2) print(pred[0]) pre_landmark pred[0] * 4 * scale_factor

Draw points

for (x, y) in pre_landmark.astype(np.int32):cv2.circle(origin_img, (x, y), 3, (255, 255, 255), -1)# Save image cv2.imwrite(./imgs/man_infer.jpg, origin_img)可以看到模型基本正确标注出了关键点的位置\ 算法基本流程 获取原始数据从数据集的标注json文件中得到各个图像bbox以及关键点坐标信息根据bbox裁剪图像并放缩至指定尺寸如果是训练还可以作适当数据增强生成指定尺寸的目标热力图指定尺寸的输入经过网络前向传播后得到预测的关键点热力图经过处理后取热力图中的最大值坐标作为关键点的预测坐标