lightweight-openpose目标识别与追踪

• 一、配置表
• 二、安装openVINO
• 三、lightweight-openpose模型转换
• 四、编译运行

论文翻译、Github源码

1. NUC8i7（Intel® Core™ i7-8559U CPU @ 2.70GHz × 8 + Intel® Iris® Plus Graphics 655 (CFL GT3)）
2. ubuntu18.04
3. Anaconda3（python3.6）
4. openVINO（2019.3.376/2019 R3.1）
   ps:如果使用最新版本的2021.4 LTS反而占用资源全满，帧率不足15帧，目前不清楚怎么回事。使用2019版本，CPU可以跑到26帧，加核显GPU可以跑到33帧（程序限制了）。

1. 卸载旧的openVINO

cd /opt/intel/openvino/openvino_toolkit_uninstaller
sudo ./uninstall_GUI.sh
删除环境变量

2. 安装openVINO
   官网
   参考博客

1. 下载源码
   官方Github

2. 下载模型
   参考博客

3. 将PyTorch模型转换为ONNX格式

cd ~/lightweight-human-pose-estimation/
python scripts/convert_to_onnx.py --checkpoint-path models/checkpoint_iter_370000.pth

会在lightweight-human-pose-estimation目录下生成human-pose-estimation.onnx文件，将其移到~/lightweight-human-pose-estimation/models下面。

4. 将ONNX格式模型转换为OpenVINO格式

/opt/intel/openvino/deployment_tools/model_optimizer/mo.py --input_model ~/lightweight-human-pose-estimation/models/human-pose-estimation.onnx --input data --mean_values data[128.0,128.0,128.0] --scale_values data[256] --output stage_1_output_0_pafs,stage_1_output_1_heatmaps

将生成的.xml文件、.mapping文件、.bin文件放在models下面。

1. 编译

cd /opt/intel/openvino_2019.3.376/inference_engine/demos/
bash build_demos.sh

安装必要的依赖，生成在home下的omz_demos_build中。

2. 运行视频

cd ~/omz_demos_build/intel64/Release
./human_pose_estimation_demo -m /human-pose-estimation.xml -i /yourvideo.mp4

3. 使用摄像头

cd ~/omz_demos_build/intel64/Release
./human_pose_estimation_demo -m /human-pose-estimation.xml -i cam

ps:可以使用-d GPU，会自动调用核显或者集显。

3.1 不使用GPU（小于20帧，有一般核心资源占用超过50%）

3.2 使用核显GPU（程序满帧率33帧，GPU占用50%，CPU占用不到20%）