《Aidlux智慧安防AI实战训练营》作业心得

1 训练营课程

（1）课程来源

        本次训练营是江大白老师（公众号「江大白」，领取《人工智能算法岗江湖武林秘籍》）举办的《Aidlux智慧安防AI实战训练营》。

（2）学习目的

        了解一下实际业务的实现过程，主要之前没接触过模型部署，参加本次训练营也可以体验一下模型部署在设备上的效果。

2 作业题目

（1）题目：

        实现人流数据计数功能，并通知手机小程序人数。算法主要使用目标检测+多目标跟踪算法+越界识别，部署使用Aidlux,可实现手机端和网页端查看效果，提醒功能使用喵提醒小程序来实现。

（2）实现效果

人流计数

人流计数喵提醒 

（3）代码实现

        总体上目标检测算法使用YOLO V5, 本地训练好的人体检测模型（.pt）要转化tensorflow的格式（.tflite）即可在Aidlux载入；多目标跟踪算法为BYTETRACK。在背景上自己设定好标志线段，线段下方设置行人状态为-1，线段上方行人状态设置为1，当检测到行人状态由-1变为1时即认为当前帧行人越界，计数加1。

# aidlux相关
from itertools import count
from cvs import *
import aidlite_gpu
from utils import detect_postprocess, preprocess_img, draw_detect_res, is_passing_line
import cv2
# bytetrack
from track.tracker.byte_tracker import BYTETracker
from track.utils.visualize import plot_tracking
import requests
import time


# 加载模型
model_path = '/lesson5_codes/aidlux/yolov5n_best-fp16.tflite'
in_shape = [1 * 640 * 640 * 3 * 4]
out_shape = [1 * 25200 * 6 * 4]

# 载入模型
aidlite = aidlite_gpu.aidlite()
# 载入yolov5检测模型
aidlite.ANNModel(model_path, in_shape, out_shape, 4, 0)

tracker = BYTETracker(frame_rate=30)
track_id_status = {}
cap = cvs.VideoCapture("/lesson5_codes/aidlux/video.mp4")
frame_id = 0
cout_person = 0
while True:
    frame = cap.read()
    if frame is None:
        #人流数统计+喵提醒
        # 填写对应的喵码
        id = 't0W540K'
        # 填写喵提醒中，发送的消息，这里放上前面提到的图片外链
        text = "人流数统计：" + str(cout_person)
        ts = str(time.time())  # 时间戳
        type = 'json'  # 返回内容格式
        request_url = "http://miaotixing.com/trigger?"
        headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/87.0.4280.67 Safari/537.36 Edg/87.0.664.47'}
        result = requests.post(request_url + "id=" + id + "&text=" + text + "&ts=" + ts + "&type=" + type,headers=headers)
        break
    frame_id += 1
    if frame_id % 3 != 0:
        continue
     # 预处理
    img = preprocess_img(frame, target_shape=(640, 640), div_num=255, means=None, stds=None)
    # 数据转换：因为setTensor_Fp32()需要的是float32类型的数据，所以送入的input的数据需为float32,大多数的开发者都会忘记将图像的数据类型转换为float32
    aidlite.setInput_Float32(img, 640, 640)
    # 模型推理API
    aidlite.invoke()
    # 读取返回的结果
    pred = aidlite.getOutput_Float32(0)
    # 数据维度转换
    pred = pred.reshape(1, 25200, 6)[0]
    # 模型推理后处理
    pred = detect_postprocess(pred, frame.shape, [640, 640, 3], conf_thres=0.4, iou_thres=0.45)
    # 绘制推理结果
    res_img = draw_detect_res(frame, pred)

    # 目标追踪相关功能
    det = []
    # Process predictions
    for box in pred[0]:  # per image
        box[2] += box[0]
        box[3] += box[1]
        det.append(box)
    if len(det):
        # Rescale boxes from img_size to im0 size
        online_targets = tracker.update(det, [frame.shape[0], frame.shape[1]])
        online_tlwhs = []
        online_ids = []
        online_scores = []
        # 取出每个目标的追踪信息
        for t in online_targets:
            # 目标的检测框信息
            tlwh = t.tlwh
            # 目标的track_id信息
            tid = t.track_id
            online_tlwhs.append(tlwh)
            online_ids.append(tid)
            online_scores.append(t.score)
            # 针对目标绘制追踪相关信息
            res_img = plot_tracking(res_img, online_tlwhs, online_ids, 0,0)


            ### 越界识别功能实现 ###
            # 1.绘制人流统计线
            lines = [[200,176],[1233,374]]
            cv2.line(res_img,(200,176),(1233,374),(255,255,0),3)  
            # 2.计算得到人体下方中心点的位置（人体检测监测点调整）
            pt = [tlwh[0]+1/2*tlwh[2],tlwh[1]+tlwh[3]]
            
            # 3. 人体是否过线的判断（人体状态追踪判断）
            track_info = is_passing_line(pt, lines)
            if tid not in track_id_status.keys():
                track_id_status.update( {tid:[track_info]})
            else:
                if track_info != track_id_status[tid][-1]:
                    track_id_status[tid].append(track_info)

            # 4. 判断是否有track_id越界，有的话保存成图片
            # 当某个track_id的状态，上一帧是-1，但是这一帧是1时，说明越界了
            if track_id_status[tid][-1] == 1 and len(track_id_status[tid]) >1:
                # 判断上一个状态是否是-1，是否的话说明越界，为了防止继续判别，随机的赋了一个3的值
                if  track_id_status[tid][-2] == -1:
                    track_id_status[tid].append(3)
                    cv2.imwrite("overstep.jpg",res_img)
                    cout_person += 1

    cv2.putText(res_img, "num of people:"+str(cout_person), (50,80), cv2.FONT_HERSHEY_SIMPLEX, 1, (255,0,255),2)
    cvs.imshow(res_img)



   

 3 学习心得

        本次训练营虽然是大白老师手把手教学，在实际实现时还是出现了一些问题，比如本地训练YOLOV5报错，最后发现电脑本身设置的问题，还有本地远程连接Aidlux换了一台电脑就出现无法找到解释器等问题，发现还是需要多实践积累，多试错才可以。另外，涉及的代码原理以及实现细节后续需再仔细研究下。

4 AidLux使用心得

        使用Aidlux可以通过应用商店下载手机APP（名称就是Aidlux），可以把手机变成容易部署的设备，同时支持网页端操作以及VSCODE远程连接进行代码调试。另外一点方便的是完全使用python即可将模型部署在Aidlux设备，对于C++功底不好的人来说很友好。