开放能力
开发平台
行业应用
生态合作
开发与教学
资讯 社区 控制台
技术能力
语音技术
图像技术
文字识别
人脸与人体识别
视频技术
AR与VR
自然语言处理
知识图谱
数据智能
场景方案
部署方案
行业应用
智能教育
智能医疗
智能零售
智能工业
企业服务
智能政务
智能农业
信息服务
智能园区
智能硬件
EasyDL零门槛AI开发平台

    物体检测LinuxSDK集成文档-Python

    简介

    本文档介绍 EasyDL 的 Linux Python SDK 的使用方法,适用于 EasyDL 通用版和BML。

    • 网络类型支持:图像分类,物体检测
    • 硬件支持:

      • Intel Movidius MyRIAD2 / MyRIAD X
    • 语言支持:Python 3.5, 3.6, 3.7

    Release Notes

    时间 版本 说明
    2021.01.27 1.2.1 EasyDL经典版分类高性能模型升级;支持更多模型
    2020.12.18 1.2.0 推理引擎升级;接口升级;性能优化
    2020.09.17 1.1.19 支持更多模型
    2020.08.11 1.1.18 性能优化
    2020.06.23 1.1.17 支持更多EasyDL专业版模型
    2020.04.16 1.1.15 技术优化;升级 OpenVINO 版本
    2020.01.16 1.1.12 预测函数默认使用推荐阈值
    2019.12.26 1.1.11 EasyDL 专业版支持加速棒
    2019.10.21 1.1.9 支持 EasyDL 专业版
    2019.07.19 1.1.7 提供模型更新工具
    2019.03.15 1.1.0 架构与功能完善
    2019.02.28 1.0.6 引擎功能完善
    2019.02.13 1.0.5 paddlepaddle 支持
    2018.11.30 1.0.0 第一版!

    2020-12-18: 【接口升级】 序列号配置接口从1.2.0版本开始已升级为新接口,以前的方式被置为deprecated,并将在未来的版本中移除。请尽快考虑升级为新的接口方式,具体使用方式可以参考下文介绍以及demo工程示例,谢谢。

    快速开始

    1. 安装依赖

    根据引擎的不同,SDK 依赖了不同的底层引擎。根据所需自行安装。

    安装 openvino

    使用Intel Movidius加速棒 SDK 预测时,必须安装 OpenVINO 预测引擎,两种方式:

    • 使用 OpenVINO™ toolkit 安装,请参考 OpenVINO toolkit 文档安装 2020.3.1LTS(必须)版本, 安装时可忽略Configure the Model Optimizer及后续部分。
    • 使用源码编译安装,请参考 Openvino Inference Engine文档编译安装 2020.3.1(必须)版本。

      安装完毕,运行之前,请按照OpenVinono的文档 设置环境变量

    source /opt/intel/openvino/bin/setupvars.sh

    2. 安装 easyedge python wheel 包

    pip3 install -U BaiduAI_EasyEdge_SDK-{版本号}-cp36-cp36m-linux_x86_64.whl

    具体名称以 SDK 包中的 whl 为准。

    3. 使用序列号激活

    获取序列号

    修改demo.py 填写序列号

    pred = edge.Program()
    pred.set_auth_license_key("这里填写序列号")

    4. 测试 Demo

    输入对应的模型文件夹(默认为RES)和测试图片路径,运行:

    python3 demo.py {model_dir} {image_name.jpg}

    测试效果:

    使用说明

    使用流程

    import BaiduAI.EasyEdge as edge
    
    pred = edge.Program()
    pred.set_auth_license_key("这里填写序列号")
    pred.init(model_dir={RES文件夹路径}, device=edge.Device.MOVIDIUS, engine=edge.Engine.OPENVINO)
    pred.infer_image({numpy.ndarray的图片})
    pred.close()

    初始化

    • 接口
        def init(self,
                model_dir,
                device=Device.LOCAL,
                engine=Engine.PADDLE_FLUID,
                config_file='conf.json',
                preprocess_file='preprocess_args.json',
                model_file='model',
                params_file='params',
                graph_file='graph.ncsmodel',
                label_file='label_list.txt',
                device_id=0
                ):
           """
           Args:
               device: Device.CPU
               engine: Engine.PADDLE_FLUID
               model_dir: str
                   model dir
               preprocess_file: str
               model_file: str
               params_file: str
               graph_file: str
               label_file: str
               device_id: int
    
           Raises:
               RuntimeError, IOError
           Returns:
               bool: True if success
    
           """

    预测图像

    • 接口
        def infer_image(self, img,
                       threshold=0.3,
                       channel_order='HWC',
                       color_format='BGR',
                       data_type='numpy'):
           """
    
           Args:
               img: np.ndarray or bytes
               threshold: float
                   only return result with confidence larger than threshold
               channel_order: string
                   channel order HWC or CHW
               color_format: string
                   color format order RGB or BGR
               data_type: string
                   image data type
               
           Returns:
               list
    
           """
    • 返回格式: [dict1, dict2, ...]
    字段 类型 取值 说明
    confidence float 0~1 分类或检测的置信度
    label string 分类或检测的类别
    index number 分类或检测的类别
    x1, y1 float 0~1 物体检测,矩形的左上角坐标 (相对长宽的比例值)
    x2, y2 float 0~1 物体检测,矩形的右下角坐标(相对长宽的比例值)
    mask string/numpy.ndarray 图像分割的mask

    关于矩形坐标

    x1 * 图片宽度 = 检测框的左上角的横坐标

    y1 * 图片高度 = 检测框的左上角的纵坐标

    x2 * 图片宽度 = 检测框的右下角的横坐标

    y2 * 图片高度 = 检测框的右下角的纵坐标

    可以参考 demo 文件中使用 opencv 绘制矩形的逻辑。

    结果示例

    • i) 图像分类
    {
        "index": 736,
        "label": "table",
        "confidence": 0.9
    }
    • ii) 物体检测
    {
        "y2": 0.91211,
        "label": "cat",
        "confidence": 1.0,
        "x2": 0.91504,
        "index": 8,
        "y1": 0.12671,
        "x1": 0.21289
    }
    • iii) 图像分割
    {
    	  "name": "cat",
        "score": 1.0,
        "location": {
        	"left": ..., 
        	"top": ..., 
        	"width": ...,
        	"height": ...,
        },
        "mask": ...
    }

    mask字段中,data_type为numpy时,返回图像掩码的二维数组

    {
      {0, 0, 0, 0, 0, 0, 0, 0, 0, 0},
      {0, 0, 0, 1, 1, 1, 0, 0, 0, 0},
      {0, 0, 0, 1, 1, 1, 0, 0, 0, 0},
      {0, 0, 0, 1, 1, 1, 0, 0, 0, 0},
      {0, 0, 0, 1, 1, 1, 0, 0, 0, 0},
      {0, 0, 0, 0, 0, 0, 0, 0, 0, 0},
    }
    其中1代表为目标区域,0代表非目标区域

    data_type为string时,mask的游程编码,解析方式可参考 demo

    升级模型

    适用于经典版升级模型,执行bash update_model.sh,根据提示,输入模型路径、激活码、模型ID、模型版本,等待模型更新完毕即可。

    FAQ

    Q: 运行SDK报错 Authorization failed

    情况一:日志显示 Http perform failed: null respond

    在新的硬件上首次运行,必须联网激活。

    SDK 能够接受HTTP_PROXY 的环境变量通过代理处理自己的网络请求。如

    export HTTP_PROXY="http://192.168.1.100:8888"
    ./easyedge_demo ...
    情况二:日志显示failed to get/check device id(xxx)或者Device fingerprint mismatch(xxx)

    此类情况一般是设备指纹发生了变更,包括(但不局限于)以下可能的情况:

    • MAC地址变化
    • 磁盘变更
    • BIOS重刷

    以及系统相关信息。

    遇到这类情况,请确保硬件无变更,如果想更换序列号,请先删除 ~/.baidu/easyedge 目录,再重新激活。

    上一篇
    Linux集成文档-C++
    下一篇
    Linux集成文档-Atlas