基于Aidlux平台开发人流量统计
基于Aidlux平台开发人流量统计
作者本课程由江大白老师全程教学，经过两周的学习，基本掌握了从PC端到android端的AI案例开发与测试部署流程。
背景
AIdlux主打的是基于ARM架构的跨生态（Android/鸿蒙+Linux）一站式AIOT应用开发平 台。用比较简单的方式理解，我们平时编写训练模型，测试模型的时候，常用的是 Linux/window系统。而实际应用到现场的时候，通常会以几种形态：GPU服务器、嵌入式设 备（比如Android手机、人脸识别闸机等）、边缘设备。GPU服务器我们好理解，而Android 嵌入式设备的底层芯片，通常是ARM架构。而Linux底层也是ARM架构，并且Android又是 基于Linux内核开发的操作系统，两者可以共享Linux内核。因此就产生了从底层开发一套应 用系统的方式，在此基础上同时带来原生Android和原生Linux使用体验。
一.AI项目开发及aidlux开发
需求->数据采集->AI模型训练->AI模型部署->AI系统开发->落地部署
在模型移植、视频结构化部分，目前市面上基本都是采用 C++的方式。不过这里主要采用一种更便捷的方式，Aidlux平台，即模型移植也采用 Python的方式。且大家可以基于一台安卓手机，也可以基于一台AidBox边缘设备都可以进行 开发，并且无缝衔接。
二.AI案例作业实现
人体检测+人体追踪+业务功能
人体检测：yolov5
人体追踪：yolov5+bytetrack
业务功能：人流量统计，通过喵提醒将人流量发送至手机
最终效果：
1.通过AutoDL训练模型
训练过程不细说，有兴趣可以自行了解。
将best.pt模型下载下来，修改成yolov5n_best.pt。并放到资料包代码⽂件夹中。
2.Aidlux端模型推理测试
我们主要是在边缘端Aidlux上进⾏使⽤，在前⾯我们也知道，Aidlux主要针对推理 部分，在底层进⾏了加速优化。因此想要将pt模型移植到Aidlux上使⽤，还要进⾏转换模型，修改推理代 码的操作。
（1）pt模型转化为tflite模型
模型转换的⽂件是export.py⽂件，在Aidlux中主要运⾏的是tflite的⽅式，因此主要修改其中的三个地 ⽅。
需要安装一些库：pip3 install tensorflow -i https://pypi.tuna.tsinghua.edu.cn/simple
安装好再运⾏export.py⽂件，在models⽂件夹下⾯，可以看到⽣成的yolov5n-fp16.tflite⽂件。
3.目标跟踪
1）带你⼊⻔多⽬标跟踪（⼀）领域概述
7https://zhuanlan.zhihu.com/p/62827974
2）带你⼊⻔多⽬标跟踪（⼆）SORT&DeepSORT
https://zhuanlan.zhihu.com/p/62858357
3）带你⼊⻔多⽬标跟踪（三）匈⽛利算法&KM算法
https://zhuanlan.zhihu.com/p/62981901
4）带你⼊⻔多⽬标跟踪（四）外观模型 Appearance Model
https://zhuanlan.zhihu.com/p/63189011
5）ByteTrack: Multi-Object Tracking by Associating Every Detection Box阅读笔记
https://zhuanlan.zhihu.com/p/421264325
此外针对Deeposrt和Bytetrack的项⽬使⽤选择，作者老师江⼤⽩老师也有⼀些⼼得参照：
1）不同的⽬标：上⾯说的是对于⼈体的检测，其实在现场项⽬中，会⽤到各种⽬标的追踪，⽐如⻋辆 追踪、⻜机追踪等。当有⽬标的reid模型的时候，可以选择deepsort，当没有的时候，可以选择 bytetrack，因为当⽬标reid特征权重不好的时候，对于多⽬标加权匹配则是个⼲扰项。
2）遮挡的⽬标：⼈员交错，遮挡严重的时候，多⽬标追踪的准确性是个业内的难题。 因此在摄像头⻆度⻆度选择的时候，尽量选择从上往下的视⻆，可以减少遮挡的情况，提升多⽬标追踪 的准确性。
注意：这里需要安装cython_box
先安装cython：pip install cython -i https://pypi.tuna.tsinghua.edu.cn/simple
再安装cython_bbox：pip install cython_bbox -i https://pypi.tuna.tsinghua.edu.cn/simple
⽬标追踪的代码，追踪并绘制每个⽬标的track_id信息
当然，⼤家想更加深⼊了解⽬标追踪，并且针对不同场景进⾏调节的话，可以查看修改track⽂件byte_tracker.py的BYTETracker函数。
4.人流统计功能实现
（1）人流统计越界线段绘制
绘制统计⼈流的线段，当然绘制也很简单，主要采⽤cv2.line的⽅式。将yolov5_bytetrack.py进⾏修改，变成yolov5_overstep.py。并将绘制区域的功能，写到之前检测追踪代 码的后⾯。
（2）⼈体检测监测点调整
在实际业务场景中，通常我们判断⼈体越界的点，主要⽤的是⼈体脚部的点。⽽由于不同的⽬标检测算 法，最后的后处理不同，得到的检测框的信息可能是多样化的。 ⽐如在本次中⽤的yolov5算法，会得到检测框的四个点信息，[左上⻆点x，左上⻆点y，宽w，⾼ h]。所以我们需要通过代码，转换成⼈体下⽅的点，即[左上⻆点x+1/2*宽w，左上⻆点y+⾼h]。转换的 ⽅式也⾮常简单，即下⽅的这⼀⾏代码。
（3）人体和线段的位置状态判断
当⼈体在线段的下⽅时，⼈体状态是-1。当⼈体在线段的上⽅时，⼈体状态是1。我们这⾥主要统计从-1，到1区域的⼈流的数量。
实现代码如下：
（4）人流统计分析判断
那么当⼈体的状态，从-1变化到1的时候，就统计成为⼈员越线了。
并在图⽚的左上⽅，统计⼈流计数的实时效果。
（5）喵提醒发送
当整个视频跑完后，就可以得到⼈流统计整体的数据了。为了及时知道⼈流的信息状态，我们也可以将 最后的结果，以喵提醒的⽅式进⾏发送。这部分的代码，可以放在最前⾯的图⽚采集中。
开头便是最终效果。。。