FastDeploy/examples/vision/keypointdetection/det_keypoint_unite/cpp

PP-PicoDet + PP-TinyPose (Pipeline) C++部署示例

本目录下提供det_keypoint_unite_infer.cc快速完成多人模型配置 PP-PicoDet + PP-TinyPose 在CPU/GPU，以及GPU上通过TensorRT加速部署的单图多人关键点检测示例。执行如下脚本即可完成

注意: PP-TinyPose单模型独立部署，请参考PP-TinyPose 单模型

在部署前，需确认以下两个步骤

• 1. 软硬件环境满足要求，参考FastDeploy环境要求
• 2. 根据开发环境，下载预编译部署库和samples代码，参考FastDeploy预编译库

以Linux上推理为例，在本目录执行如下命令即可完成编译测试

wget https://bj.bcebos.com/fastdeploy/release/cpp/fastdeploy-linux-x64-gpu-0.3.0.tgz
tar xvf fastdeploy-linux-x64-gpu-0.3.0.tgz
cd fastdeploy-linux-x64-gpu-0.3.0/examples/vision/keypointdetection/tiny_pose/cpp/
mkdir build
cd build
cmake .. -DFASTDEPLOY_INSTALL_DIR=${PWD}/../../../../../../../fastdeploy-linux-x64-gpu-0.3.0
make -j

# 下载PP-TinyPose和PP-PicoDet模型文件和测试图片
wget https://bj.bcebos.com/paddlehub/fastdeploy/PP_TinyPose_256x192_infer.tgz
tar -xvf PP_TinyPose_256x192_infer.tgz
wget https://bj.bcebos.com/paddlehub/fastdeploy/PP_PicoDet_V2_S_Pedestrian_320x320_infer.tgz
tar -xvf PP_PicoDet_V2_S_Pedestrian_320x320_infer.tgz
wget https://bj.bcebos.com/paddlehub/fastdeploy/000000018491.jpg

# CPU推理
./infer_demo PP_PicoDet_V2_S_Pedestrian_320x320_infer PP_TinyPose_256x192_infer 000000018491.jpg 0
# GPU推理
./infer_demo PP_PicoDet_V2_S_Pedestrian_320x320_infer PP_TinyPose_256x192_infer 000000018491.jpg 1
# GPU上TensorRT推理
./infer_demo PP_PicoDet_V2_S_Pedestrian_320x320_infer PP_TinyPose_256x192_infer 000000018491.jpg 2

运行完成可视化结果如下图所示

以上命令只适用于Linux或MacOS, Windows下SDK的使用方式请参考:

• 如何在Windows中使用FastDeploy C++ SDK

PP-TinyPose C++接口

PP-TinyPose类

fastdeploy::pipeline::PPTinyPose(
        fastdeploy::vision::detection::PPYOLOE* det_model,
        fastdeploy::vision::keypointdetection::PPTinyPose* pptinypose_model)

PPTinyPose Pipeline模型加载和初始化。

参数

• model_det_modelfile(fastdeploy::vision::detection): 初始化后的检测模型，参考PP-TinyPose
• pptinypose_model(fastdeploy::vision::keypointdetection): 初始化后的检测模型Detection，暂时只提供PaddleDetection系列

Predict函数

PPTinyPose::Predict(cv::Mat* im, KeyPointDetectionResult* result)

模型预测接口，输入图像直接输出关键点检测结果。

参数

• im: 输入图像，注意需为HWC，BGR格式
• result: 关键点检测结果，包括关键点的坐标以及关键点对应的概率值, KeyPointDetectionResult说明参考视觉模型预测结果

类成员属性

后处理参数

• detection_model_score_threshold(bool): 输入PP-TinyPose模型前，Detectin模型过滤检测框的分数阈值

• 模型介绍
• Python部署
• 视觉模型预测结果
• 如何切换模型推理后端引擎