ART-PI 嵌入式人形检测 附源码（RT-AK Demo）

Person detection

让 AI 在你的板子上尽情舞蹈~

本次实验的是识别摄像头中的人，就一个人，而不是多个。

从多类别检测模型改编而来，只保留 person 这个类别，根据各位看官的能力完全可以改成识别多类

本次项目的篇幅将会较长，请各位看官耐心看完

源码地址：Project4-Person_detection_RT-AK

整体分为三部分：

1. 模型
2. RT-AK 使用
3. 板子上的应用层代码实现

硬件平台 ART-Pi, 50M FLOPS。

我的模型（删减后的模型）最终部署在板子上是推理时间是56ms，不包括数据处理时间。

• pc 端推理一张图片：

$ pip install -r requirements.txt
$ python inference_yolo-s.py

• 以下是在 ART-PI 上的模型推理实现：

---

我的模型数据：map 21.58%

Model	MACC	Inference	Size
yolo-s.tflite	6.5 M	50ms	144k

1 模型

1.1 参考项目

参考项目：

1. Yolo-Fastest https://github.com/dog-qiuqiu/Yolo-Fastest

2. keras-YOLOv3-model-set https://github.com/david8862/keras-YOLOv3-model-set

原因：目前了解的全网最轻量级的目标检测网络，没有之一

现在不是了，出现了一个 ppyolo，百度产

Network	Model Size	mAP(VOC 2017)	FLOPS
Tiny YOLOv2	60.5MB	57.1%	6.97BFlops
Tiny YOLOv3	33.4MB	58.4%	5.52BFlops
YOLO Nano	4.0MB	69.1%	4.51Bflops
MobileNetv2-SSD-Lite	13.8MB	68.6%	&Bflops
MobileNetV2-YOLOv3	11.52MB	70.20%	2.02Bflos
Pelee-SSD	21.68MB	70.09%	2.40Bflos
Yolo Fastest	1.3MB	61.02%	0.23Bflops
Yolo Fastest-XL	3.5MB	69.43%	0.70Bflops
MobileNetv2-Yolo-Lite	8.0MB	73.26%	1.80Bflops

当然，Yolo Fastest 最小的模型也有 0.23 Bflops，想要在 ART-Pi 上顺利的跑起来，肉眼可见的丝滑程度，我是在做梦。。。

这时候有两个办法：

1. 换一块板子，换一块算力更大的板子。
2. 将模型改的小一点，能够在 ART-PI 上丝滑的跑起来。

这里我选择的是后者。

我改动的很简单，去掉特征金字塔输出，只保留一个输出，保证对大物体检测友好即可。同时删减网络结构。原来是109层，我是20+层网络结构。

纠正一个思想误区，由于一些很神奇的存在，网络并不是越深，FLOPS 就会越大，比如 DSCNN。

---

第二个参考项目的意义是在于：将模型转变为 tflite 可食用模型

1.2 模型文件

• 我改动的模型配置文件：./model/yolo-s_with_lrelu.cfg

  原模型配置文件：./model/VOC

  为了防止在后期模型转换的过程中遇到不支持的算子：leakyrelu，我这里提供了一份 relu 的模型训练配置文件

• 预先训练好的模型：./model/yolo-s.h5 507 k，量化的 tflite 模型文件：./model/yolo-s.tflite 144 k

1.3 自己训练模型

请参考：dog-qiuqiu/Yolo-Fastest 项目

我自己也写过一份 快速上手 yolo-fastest 教程：

https://blog.csdn.net/weixin_37598106/article/details/112544854?spm=1001.2014.3001.5501

但是由于 up 主更新的比较快，可能有一些版本落后，仅供参考。

1. 需要配置 darknet 训练环境，然后根据需求修改下 cfg 文件即可

2. 准备数据集：VOC 2007 + VOC 2012

   wget https://pjreddie.com/media/files/VOCtrainval_11-May-2012.tar
   wget https://pjreddie.com/media/files/VOCtrainval_06-Nov-2007.tar
   wget https://pjreddie.com/media/files/VOCtest_06-Nov-2007.tar
   tar xf VOCtrainval_11-May-2012.tar
   tar xf VOCtrainval_06-Nov-2007.tar
   tar xf VOCtest_06-Nov-2007.tar
   
   wget https://pjreddie.com/media/files/voc_label.py
   # 修改文件，将里面的类别只保留 person 类别
   python voc_label.py
   
   cat 2007_train.txt 2007_val.txt 2012_*.txt > train.txt
   

​ 修改 ./model/voc_person.data 中的 train 和 valid 路径，注意，如果你不是训练 person 单类别，请一并修改 voc_person.names 文件

3. 训练

   $ ./darknet detector train <data_path> <cfg_path> 
   
   # 举例， -dont_show 是不显示图片， -gpus 是指定 gpu 训练
   $ ./darknet detector train voc_person.data yolo-s.cfg -dont_show -gpus 0, 1
   

4. 测试

   perons.jpg 位于 ./imgs

   # test 1 image
   ./darknet detector test voc_person.data yolo-s.cfg yolo-s_last.weights person.jpg -thresh 0.5 -dont_show
   
   # mAP
   ./darknet detector map voc_person.data yolo-s.cfg yolo-s_last.weights -points 11
   

   

   模型转换成 keras，最后转成 tflite

   对应的代码仓库：

   Lebhoryi/keras-YOLOv3-model-set
   转自 david8862/keras-YOLOv3-model-set，我做了一些修改，请按照我的来，否则出错请自负

   # yolo-fastest to keras
       python tools/model_converter/convert.py cfg/yolo-s.cfg weights/yolo-s_last.weights weights/yolo-s.h5  -f -c
   
   # keras to tflite
       python tools/model_converter/custom_tflite_convert.py --keras_model_file ./weights/yolo-s.h5 --output_file ./weights/yolo-s.tflite
       
       # keras to tflite; quantize
       python tools/model_converter/post_train_quant_convert.py --keras_model_file ./weights/yolo-s.h5 --annotation_file /home/lebhoryi/Data/VOC/2007_test.txt --model_input_shape 160x160 --sample_num 30 --output_file ./weights/yolo-s.tflite -c
   

2 RT-AK 使用

具体使用请查阅 RT-Thread/RT-AK https://github.com/RT-Thread/RT-AK 相关文档

准备：

• ART-PI bsp
• 模型
• RT-AK

使用：

$ git clone https://github.com/RT-Thread/RT-AK

$ cd RT-AK/RT-AK/rt_ai_tools

# 只需要改动 --model、--project、--ext_tools 三个参数的路径即可
$ python aitools.py --model=./yolo-s.h5 --model_name=person_yolo --project=D:\RT-ThreadStudio\workspace\art-pi --platform stm32 --ext_tools="D:\Program Files (x86)\stm32ai-windows-5.2.0\windows" --clear

3 应用代码

我的输入是 160x160x1，为了减小模型参数大小，

先在 pc 端实现应用层的代码

• 图片预处理：尺度缩放+灰度转化+归一化
• yolo 解码
• nms 处理

代码都在 inference_yolo-s.py 中。

手边没有 usb 摄像头，也就没有写视频的推理代码，只有图片的推理代码。

功能实现：

1. 图片预处理

   python 里头就很简单，调用 opencv 库，几行代码搞定

   img_raw = cv2.imread(str(img_path))
   img = cv2.cvtColor(img_raw, cv2.COLOR_BGR2GRAY)
   img = cv2.resize(img, (160, 160), interpolation=cv2.INTER_LINEAR)
   img = img / 255.0
   img = np.asarray(img).astype('float32')
   

2. yolo 解码

   inference_yolo-s.py 中的 yolo_decode 函数

   模型推理的是检测目标的 xywh 的偏移量，目的是将模型输出结果转换成真实世界的 xywh

   这部分呢，我也写了一篇文章，感兴趣的可以看一下：

   掌握 yolo - 解码核心思想 https://blog.csdn.net/weixin_37598106/article/details/113058426?spm=1001.2014.3001.5501

3. nms

   inference_yolo-s.py 中的 non_max_suppress 函数，这个函数针对的是单类别的

---

c 代码的实现比较痛苦，，痛苦面具 x3

• 灰度转换
• 尺度缩放
• yolo 解码
• nms （可能五一节后实现）

1. 灰度转换

   RGB转灰度，通常会使用下面的一个心理学公式：(Matlab和OpenCV中使用的也是该公式)

   Gray = 0.2989*R + 0.5870*G + 0.1140*B
   # 优化
   Gray = （2989*R + 5870*G + 1140*B）/ 10000
   # 移位
   Gray = （4898*R + 9618*G + 1868*B）>> 14
   # 8位精度
   Gray = （76*R + 150*G + 30*B）>> 8
   

   // c 代码实现
   void rgb2gray(unsigned char *src,unsigned char *dst, int width,int height)
   {
          
       int r, g, b;
       for (int i=0; i<width*height; ++i)
       {
          
           r = *src++; // load red
           g = *src++; // load green
           b = *src++; // load blue
           // build weighted average:
           *dst++ = (r * 76 + g * 150 + b * 30) >> 8;
       }
   }
   

   # python 代码实现
   # val_c_gray_scaling.py
   def img2gray(img_path):
       # 读取第一张图像
       img = cv2.imread(img_path)
       # 获取图像尺寸
       h, w = img.shape[0:2]
       # 自定义空白单通道图像，用于存放灰度图
       gray = np.zeros((h, w), dtype=img.dtype)
       # 对原图像进行遍历，然后分别对B\G\R按比例灰度化
       for i in range(h):
           for j in range(w):
               gray[i, j] = 0.11 * img[i, j, 0] + 0.59 * img[i, j, 1] + 0.3 * img[i, j, 2]  # Y=0.3R+0.59G+0.11B
       show_img(gray)
       return gray
   

2. 尺度缩放

   此处用的是双线性插值

   int is_in_array(short x, short y, short height, short width)
   {
          
       if (x >= 0 && x < width && y >= 0 && y < height)
           return 1;
       else
           return 0;
   }
   
   void bilinera_interpolation(rt_uint8_t* in_array, short height, short width, 
                               rt_uint8_t* out_array, short out_height, short out_width)
   {
          
       double h_times = (double)out_height / (double)height,
              w_times = (double)out_width / (double)width;
       short  x1, y1, x2, y2, f11, f12, f21, f22;
       double x, y;
   
       for (int i = 0; i < out_height; i++){
          
           for (int j = 0; j < out_width; j++){
          
               x = j / w_times;
               y = i / h_times;
             
               x1 = (short)(x - 1);
               x2 = (short)(x + 1);
               y1 = (short)(y + 1);
               y2 = (short)(y - 1);
               f11 = is_in_array(x1, y1, height, width) ? in_array[y1*width+x1] : 0;
               f12 = is_in_array(x1, y2, height, width) ? in_array[y2*width+x1] : 0;
               f21 = is_in_array(x2, y1, height, width) ? in_array[y1*width+x2] : 0;
               f22 = is_in_array(x2, y2, height, width) ? in_array[y2*width+x2] : 0;
               out_array[i*out_width+j] = (rt_uint8_t)(((f11 * (x2 - x) * (y2 - y)) +
                                          (f21 * (x - x1) * (y2 - y)) +
                                          (f12 * (x2 - x) * (y - y1)) +
                                          (f22 * (x - x1) * (y - y1))) / ((x2 - x1) * (y2 - y1)));
           }
       }
   }
   

   python 代码实现：val_c_gray_scaling.py 中的 bilinera_interpolation 函数

3. yolo 解码

   // c 代码实现
   // applications/yolo.c
   int yolo_decode(float *out_data)
   {
          
     int j=0,k=0,l=0;
     for(int i=0; i<5*5*5; i++)
     {
          
       float x_tmp = 1 / (1 + exp(-out_data[i*6+0]));
       float y_tmp = 1 / (1 + exp(-out_data[i*6+1]));
       float box_x = (x_tmp + k) / 5;
       float box_y = (y_tmp + l) / 5;
       
       float box_w = (exp(out_data[i*6+2])*anchor[j][0])/ input_dims[0];
       float box_h = (exp(out_data[i*6+3])*anchor[j][1])/ input_dims[1];
       
       float objectness = 1 / (1 + exp(-out_data[i*6+4]));
       
       float class_scores = 1 / (1 + exp(-out_data[i*6+5]));
      
   //    printf("%d %d %d %f %f, %f %f, %f %f\n", j,k,l, box_x, box_y, box_w, box_h, objectness, class_scores);
       
       out_data[i*6+0] = box_x;
       out_data[i*6+1] = box_y;
       out_data[i*6+2] = box_w;
       out_data[i*6+3] = box_h;
       out_data[i*6+4] = objectness;
       out_data[i*6+5] = class_scores;
       
       if(j++>=4)
       {
          
         j = 0;
         if(k++>=4)
         {
          
           k = 0;
           if(l++>=4)
           {
          
             l = 0;
           }
         }
       }
     }
     return 0;
   }
   

   python 代码实现：inference_yolo-s.py 中的 yolo_decode 函数

4. nms

   没有 nms 的目标检测工程就等于没有灵魂，，，等后期来实现

---

编译报错以及解决

第二种解决方式：

4. 参考链接

• C++ RGB转灰度图像 https://blog.csdn.net/martinkeith/article/details/104185635

• GBeetle/c_image_processing https://github.com/GBeetle/c_image_processing/blob/4ceabf4959f455f5b7d1ee419aac25eccf231b3b/scaling/scaling.c#L155

• https://github.com/dog-qiuqiu/Yolo-Fastest

• https://github.com/david8862/keras-YOLOv3-model-set