FastDeploy/examples/vision/keypointdetection/tiny_pose/cpp/README.md

PP-TinyPose C++部署示例

本目录下提供pptinypose_infer.cc快速完成PP-TinyPose在CPU/GPU，以及GPU上通过TensorRT加速部署的单图单人关键点检测示例

注意: PP-Tinypose单模型目前只支持单图单人关键点检测，因此输入的图片应只包含一个人或者进行过裁剪的图像。多人关键点检测请参考PP-TinyPose Pipeline

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/hrnet_demo.jpg


# CPU推理
./infer_tinypose_demo PP_TinyPose_256x192_infer hrnet_demo.jpg 0
# GPU推理
./infer_tinypose_demo PP_TinyPose_256x192_infer hrnet_demo.jpg 1
# GPU上TensorRT推理
./infer_tinypose_demo PP_TinyPose_256x192_infer hrnet_demo.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::vision::keypointdetection::PPTinyPose(
        const string& model_file,
        const string& params_file = "",
        const string& config_file,
        const RuntimeOption& runtime_option = RuntimeOption(),
        const ModelFormat& model_format = ModelFormat::PADDLE)

PPTinyPose模型加载和初始化，其中model_file为导出的Paddle模型格式。

参数

• model_file(str): 模型文件路径
• params_file(str): 参数文件路径
• config_file(str): 推理部署配置文件
• runtime_option(RuntimeOption): 后端推理配置，默认为None，即采用默认配置
• model_format(ModelFormat): 模型格式，默认为Paddle格式

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

• use_dark(bool): 是否使用DARK进行后处理参考论文

• 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