基于AidLux平台和七牛云、喵提醒工具实现课室人头计数系统

基于AidLux平台和七牛云、喵提醒工具实现课室人头计数系统

导读：说起人工智能，首先映入眼帘的，一定会是：1997年国际象棋机器“深蓝”战胜世界冠军卡斯帕罗夫和2016年围棋棋王柯洁三次被AlphaGo击败的场景。这两次人工智能历史上的标识性事件，让人们开始感叹，人工智能的发展已经越来越接近各种机器人的电影大片了。人工智能应用在语音识别，图像人脸识别、智慧安防、工业视觉、无人驾驶等方面越来越接近人们的生活。本文也将走进生活，用YOLOv5算法和AidLux平台来实现课室人头计数系统。

一、AidLux平台介绍

2017年开始，“AIoT”开始逐渐被大众所熟知。边缘计算设备作为分析处理数据的基础支撑，在该领域中的作用也日益凸显。凭借小体积、高性能、低功耗等先天优势，ARM在边缘计算兴起这波浪潮中发展迅速，并汇集了苹果、高通、联发科等企业在移动智能设备市场“大杀四方”。但跟移动设备市场不同，AIoT领域存在着严重的应用场景碎片化问题，软件适配、优化成本和AI项目开发、迁移的门槛居高不下。导致强如高通这样的企业，在该领域内的应用落地案例也屈指可数。如今，这样的困扰不复存在。AidLux针对高通平台进行了深度适配和全面优化，在软件层面补足和提升了高通芯片在AIoT方面的能力，助力企业快速切入AIoT万亿市场。

AI开发依赖开发环境和框架，AidLux集成了全球10大主流AI框架（TensorFlow、PaddlePaddle、NCNN、TNN、MNN、PyTorch、Caffe、MXNet、MindSpore、OpenCV）和AI应用所依赖的各种科学计算库，并做了全面的环境部署、适配和整合优化，无需配置。

此外，AidLux进行CPU资源调度优化，多进程开展模型的预处理、AI推理和后处理，多进程推理多模型任务，使用CPU+GPU并行处理，并提供CPU+GPU+NPU综合调度，支持算子补全，兼容更多的模型转换和加速处理。AidLux还拥有统一编程接口，将不同框架实现和不同厂商硬件调用进行解耦合，仅用Python一门语言即可开发部署AI应用。统一接口和低代码开发能够降低编程门槛，有效地解决异构模型转化繁琐和开发复杂问题，显著减少学习成本和项目开发、迁移成本，大幅缩短项目落地周期。

结合可视化性能监控平台，用户可直观查看YOLOv5、movenet、resnet50、mobilenetv2等模型在基于高通SoC的硬件上加速效果。

​ YOLOv5模型加速效果

二、项目简介

在实际生活中，为了准确的统计出人数貌似是一件费时费力的事，例如在课堂上统计出勤人数，一个个点名十分占用课堂时间，并且经常会出现一人分饰多角的情况，往往统计结果和实际出勤有很大的出入，因此运用AI视觉技术，再基于AidLux平台部署实现实时的人数统计将会有很大的应用需求。从可行性分析，操作流程十分的简单，不需要专门的技术人员进行部署，只需要准备一台闲置的安卓手机，并且下载AidLux平台，注册七牛云个人账户，再关注喵提醒公众号，便可实时统计人数，实时收到短信提醒，也可为十分的方便了，具体流程如下：

三、具体步骤

1）准备代码&下载依赖

1、代码下载地址：

​ GitHub：https://github.com/Daniel4805/yolov5-master.git

​ 百度云网盘：https://pan.baidu.com/s/1KYibXoZTSDdAa0_pHkHApA?pwd=brjo

2、根据代码中requirements.txt文件说明，下载依赖库：

pip install -r requirements.txt

2）修改参数

1、打开train_code/get_labels.py，修改数据集路径：（最好使用绝对路劲，不容易出错）

运行后就可以看到类别数，以及标注的类别框的数量。

2、打开train_code/main.py文件，修改训练数据的路劲：

运行main.py文件，可以显示一些画有人头框的图片：

其中，0.2表示80%的数据进行训练，20%的数据进行验证：

3、在data文件夹下，新建一个head.yaml文件，作为训练人头数据集的参数设置：

4、修改train.py参数：

5、修改yolov5s.yaml：

3）开始训练模型

1、运行train.py文件，既可开始训练：

可以看到一共要训练299个模型，训练速度跟电脑显存有很大关系

如果出现以下提示信息报错：

可能说明电脑磁盘没有分配虚拟空间给模型测试，我们可以打开高级系统设置，根据提示配置

2、修改三个参数，运行detect.py，对训练结果进行测试，在runs/detect/exp最后一个文件夹中得到检测的效果图片：

4）七牛云注册并创建空间

1、登录七牛云官网：https://www.qiniu.com/，注册一个账号。

2、点击左上角的折叠栏，选择“对象存储Kodo”：

3、进入对象存储的管理页面，再点击左面的“空间管理”，点击新建空间，并输入“存储空间名称”，访问控制修改为“公开”。

4、编写代码接口qiniu_test.py：

先下载qiniu库，再按如下修改qiniu配置参数，将access_ksy，secret_key，bucket_name修改成自己的。

pip install qiniu

对应位置如下：

填写上相应的信息后，在Pycharm软件中运行qiniu_test.py文件，可以得到上传的图片的url信息。

复制URL，可在网页中打开，查看图片：

图片也会上传至七牛云平台：

5）设置微信提醒：喵提醒

目前为止，我们已经训练好了YOLOv5的人头检测的模型，并且可以将本地的图片上传至云空间，获得图片的外链，此时，我们还需要将统计人数的信息发送至手机微信，这样才能方便查看统计结果，所以我们可以使用微信公众号喵提醒来查看统计后的结果。

1、先注册个人账户

2、然后给公众号发信息（什么信息都可以，目的是激活服务）：

3、新建提醒：

写好标题和描述，通知方式选公众号（因为是免费的），喵码是自动生成的：

4、编写miaotixing_test.py接口：

值得注意的是，这里我们需要获取detect.py中统计出的人数再发送到手机上：

5、运行miaotixing_test.py，我们手机上就可以收到信息啦：

6）Android系统部署Aidlux平台：

上面的流程基本上是在PC端完成的，但是在实际的应用场景中，移动端肯定是比PC端更便捷的，那么如何将PC端的代码嫁接到移动端呢？Aidlux（https://aidlux.com/）就是一个能很好的将PC端和移动端连接起来的平台，其中最主要的好处是可以将PC端上写的python代码直接部署到移动端，不需要再将python转java或者c++，十分的方便，大大的节省了算法的部署。通过搭载AidLux，高通芯片可以直接用于AIoT领域，用户仅使用Python即可根据需求单独调用CPU、GPU和DSP/NPU。

1、下载aidlux软件：

需要准备一台Android系统的手机，然后在应用商城中搜索aidlux即可下载，不过软件本身占用的空间比较大，所以要保证自己的手机有足够的空间可以下载。

2、将移动端的aidlux与PC端的web连接：（注意移动端要和PC端连接同一个WiFi才行）

打开aidlux软件后，点击cloud_ip后，可以看到手机界面上会跳出可以在电脑上登录的IP网址。在电脑的浏览器上，随便输入一个IP，可以跳出Aidlux的登录页面，默认登录密码是“aidlux”。登录后就可将手机的系统投影到电脑上，任何操作和代码编写都是完全数据共通的，这样我们就可以将PC端的操作，直接应用到Aidlux的App中了。

3、将PC端的代码迁移到移动端：

打开文件管理器 —> 进入home文件目录 —> 点击右上角“upload” —> 选择“Folder” —> 将yolov5-master文件全部上传

4、安装相应的依赖包

打开终端，输入如下命令，就可以下载qiniu库：

pip3 install qiniu  -i https://pypi.tuna.tsinghua.edu.cn/simple

5、运行代码

打开刚刚上传的yolov5-master文件，找到aidlux文件，运行其中的yolov5.py

点击右上角的build —> run now

手机上就可以收到信息啦。