使用Movidius VPU加速边缘视频推断

更新时间：2022-12-01

产品详情立即使用

本章将使用已经开源的 ssd_mobilenet_v1_coco_2017_11_17 模型完整演示边缘视频AI的DEMO。

一、前提准备

有一个边缘节点设备，本文使用的是宸曜 POC-351VTC，安装ubuntu-18.04-desktop-amd64。
有一个英特尔(Intel) 神经计算棒 Movidius 二代。
有一个摄像头，可以是USB摄像头，也可以是网络摄像头，本实验使用后者，通过边缘节点的PoE口给网络摄像头供电。
有一个物体识别模型，本实验用的是 ssd_mobilenet_v1_coco_2017_11_17，该模型支检测90种物体，具体清单请参考：mscoco_label_map。
边缘节点已经按照快速入门教程连接到云端。

二、搭建边缘硬件环境

搭建边缘硬件环境，如下图所示

搭建步骤如下

给边缘节点硬件供电
网络摄像头连接到PoE口
无线网卡和Movidius随便插一个USB口

整体环境信息如下

边缘节点
- 无线网卡IP：172.30.196.93
- 与网络摄像头连接的IP：192.168.100.14，需要设置边缘盒子PoE网口的IP地址。
网络摄像头IP
- 网络摄像头IP：192.168.100.10，出厂默认IP地址
- RTSP流地址：rtsp://b:a1234567@192.168.100.10:554/Streaming/channels/1/，后续会用到。
  RTSP协议地址通用格式为 rtsp://<username>:<password>@<ip>:<port>/<Streaming/channels/stream_number> ，各参数解释如下
  - <username> ：摄像头登录用户名，一般可以在摄像头底座当中找到
  - <password> ：摄像头登录密码，一般可以在摄像头底座当中找到
  - <ip> ：路由器/交换机分配给摄像头的IP地址
  - <port> ： RTSP 协议的端口号，一般默认为 554，
  - <Streaming/channels/stream_number> ：摄像头信道

三、模拟场景

摄像头连接边缘盒子，实时探测视野范围内的物体
当检测到目标物体以后，保存抽帧图像，并同步发送一条消息到边缘broker服务。如果没有检测到目标物体，丢弃抽帧图像。
支持检测多目标物体，本场景实验检测的物体包括：剪刀、笔记本电脑、书本、键盘和人。

四、边缘应用描述

除了边缘节点连接云端是自动部署的系统应用，还需要在边缘节点上部署以下三个应用

序号	应用名	用途
1	vi-function	模型推断结果后处理函数，将模型推断结果解析成可识别数据
2	video-infer	模型推断应用，负责加载AI模型并执行AI推断
3	remote-object	将边缘推断图片上传到云端对象存储

最终边缘节点上将会有6个边缘应用，如下图所示

五、边缘应用关系

各模块之间的调用关系如下图所示

整个视频推断流程如下

视频抽帧
加载模型执行AI推断
调用函数对推断结果做后处理
基于函数返回结果，保存达到指定阈值的图片
将推断结果发送到
订阅本地broker消息，将满足条件的推断图片上传云端对象存储minio

六、边缘应用配置

vi-function配置

创建函数配置项：vi-function-code，如下图所示:

标签：baetyl-function: python3-opencv
配置数据变量名：analyse.py，此变量名analyse后续会作为函数入口
配置数据变量值为python代码，代码如下：

#!/usr/bin/env python
# -*- coding:utf-8 -*-
"""
function to analyse video infer result in python
"""

import time
import numpy as np

location = "var/lib/baetyl/image/{}.jpg"
classes = {
        1: 'person',73: 'laptop',76: 'keyboard',77: 'cell phone',84: 'book',87: 'scissors'
}

def handler(event, context):
    """
    function handler
    """

    data = np.fromstring(event, np.float32)
    mat = np.reshape(data, (-1, 7))
    objects = []
    scores = {}
    for obj in mat:
        # print("obj:", obj)
        clazz = int(obj[1])
        if clazz in classes:
            score = float(obj[2])
            if classes[clazz] not in scores or scores[classes[clazz]] < score:
                scores[classes[clazz]] = score
            if score < 0.6:
                continue
            objects.append({
                'class': classes[clazz],
                'score': score,
                'left': float(obj[3]),
                'top': float(obj[4]),
                'right': float(obj[5]),
                'bottom': float(obj[6])
            })

    res = {}
    res["imageDiscard"] = len(objects) == 0
    res["imageObjects"] = objects
    res["imageScores"] = scores
    path = location.format(time.time())
    if len(objects) != 0:
        res["imageLocation"] = path
        res["publishTopic"] = "video/infer/result"
        res["type"] = "UPLOAD"
        content = {}
        content["localPath"] = path
        content["remotePath"] = path
        res["content"] = content

    return res

创建函数应用：vi-function，添加函数服务：vi-function-service，如下图所示：

服务名称：vi-function-service
服务类型：函数服务，非容器服务
函数配置项：使用之前创建的配置项：vi-function-conf
运行时：python3-opencv
函数入口：analyse.handler。函数入口表示执行函数，对于Python/Node运行时来说，由函数脚本和处理函数名组成。

函数的完整路径是 [服务名称/函数入口] ，则上述 analyse 这个python函数的完整调用路径就是：vi-function-service/analyse。

video-infer配置

创建配置项：video-infer-conf，如下图所示：

创建配置数据，变量名为：conf.yml，变量如下：

video:
  uri: 'rtsp://b:a1234567@192.168.100.10:554/Streaming/channels/1/'
  limit:
    fps: 1
process:
  before:
    swaprb: true
    width: 300
    hight: 300
  infer:
    model: var/lib/baetyl/model/frozen_inference_graph.pb
    config: var/lib/baetyl/model/ssd_mobilenet_v1_coco_2017_11_17.pbtxt
    backend: openvino
    device: vpu
  after:
    function:
      name: vi-function-service/analyse
logger:
  path: var/lib/baetyl/app-log/video-infer.log
  level: debug

通过 backend: openvino 和 device: vpu 这两个配置项，实现让video-infer这个应用使用Movidius加速棒的vpu算力来执行边缘推断计算。如果没有这两个配置项，则默认使用CPU推断。

video-infer执行AI推断以后会调用分析函数 vi-function-service/analyse
分析函数返回的消息会发布到本地MQTT Broker tcp://baetyl-broker:1883

创建配置项：video-infer-model，如下图所示

endpoint：对象存储访问地址

bucket名称：在对象存储当中创建的bucket名称，此处为model-upload
文件名称：模型文件在对象存储当中的文件名，如果在在目录当中，则这里需要填写目录名称+文件名称，此处为：ssd_mobilenet_v1_coco_2017_11_17.zip
AK/SK：对象存储访问凭证
MD5：模型文件ssd_mobilenet_v1_coco_2017_11_17.zip的MD5值为：acc050a4e8fcea32edcb30ab510e63b7。边缘节点在下载完ssd_mobilenet_v1_coco_2017_11_17.zip模型文件以后，会对模型文件执行MD5校验，以验证下载文件的完整性。
是否解压：选择是，解压格式为ZIP。边缘节点下载模型文件ssd_mobilenet_v1_coco_2017_11_17.zip以后，会负责将其解压。在本案例当中，ssd_mobilenet_v1_coco_2017_11_17.zip解压以后会得到frozen_inference_graph.pb和ssd_mobilenet_v1_coco_2017_11_17.pbtxt这里两个模型文件。

创建应用：video-infer，添加容器服务：video-infer-openvino，如下图所示：

服务名：video-infer-openvino

镜像：baetyltech/video-infer:v2.1.1
卷配置：
- conf：添加 video-infer-conf 配置项，作为模块配置。
- model：添加 video-infer-model 配置项，边缘节点会自动下载ssd_mobilenet_v1_coco_2017_11_17模型文件并解压至/var/lib/baetyl/model目录，然后video-infer应用会从此处加载模型文件frozen_inference_graph.pb和ssd_mobilenet_v1_coco_2017_11_17.pbtxt。
- image：将AI推断保存的图片从容器内目录/var/lib/baetyl/image映射到宿主机目录。此处参数填写的是video-infer-image，对应宿主机目录/var/lib/baetyl/app-data/video-infer-image。
- dev：Movidius USB插入到边缘盒子以后，会在宿主机/dev目录下多出一个设备，将宿主机的/dev目录映射到容器内的/dev目录下。
特权选项：
- 启用特权模式：是。

remote-object配置

创配配置项：remote-mino-conf，如下图所示：

添加配置数据变量名为:conf.yml，对应的变量值如下所示：

clients:
  - name: minio
    kind: S3
    endpoint: 'http://ip:port' # 替换为自己的对象存储地址
    ak: minioadmin
    sk: minioadmin
    timeout: 10m
    pool:
      worker: 100
      idletime: 30s
    bucket: image-upload
rules:
  - name: remote-minio-1
    source:
      topic: video/infer/result
      qos: 1
    target:
      client: minio
logger:
  path: var/lib/baetyl/app-log/minio.log
  level: debug

创建应用：remote-object，然后添加容器服务：remote-object，如下图所示：

服务名称：remote-object
镜像地址：docker.io/baetyltech/remote-object:v2.1.0
卷配置
- minio-conf：挂载remote-object服务的配置项
- image：将宿主机当中的推断图片映射至容器内目录，这样remote-object服务才能拿到图片将其上传至minio对象存储当中。
- log：如果需要将模块的日志文件映射到宿主机，需要配置此项。

七、验证边缘AI检测结果

step1：应用部署至边缘节点

将上述应用全部部署至边缘节点，如下图所示：

检查边缘节点上的应用部署情况，如下图所示：

step2：使用MQTT Box订阅边缘节点本地broker服务

在模拟场景当中提到“当检测到目标物体以后，保存抽帧图像，并同步发送一条消息到边缘broker服务”，为了监测发送到broker服务的消息，我们使用MQTT Box工具提前订阅 video/infer/result 这个topic的消息，如下图所示：

step3：使用摄像头检测物体

手持摄像头，旋转一周，让摄像头能够扫描到办公桌上的剪刀、笔记本电脑、书本、键盘，以及坐在工位上的人。
实时查看订阅了hub模块的MQTT Box的消息界面，每检测到一个目标物体，MQTT Box就能订阅到一条消息。

将MQTTBox订阅的消息进行Json格式化，得到如下结果：

{
    "content":{
        "localPath":"var/lib/baetyl/image/1602639487.0222735.jpg",
        "remotePath":"var/lib/baetyl/image/1602639487.0222735.jpg"
    },
    "imageCaptureTime":"2020-10-14T01:38:06.971394704Z",
    "imageDiscard":false,
    "imageHight":720,
    "imageInferenceTime":0.046391136,
    "imageLocation":"var/lib/baetyl/image/1602639487.0222735.jpg",
    "imageObjects":[
        {
            "bottom":0.9267578125,
            "class":"scissors",
            "left":0.166259765625,
            "right":0.505859375,
            "score":0.97412109375,
            "top":0.233154296875
        }
    ],
    "imageProcessTime":0.082386501,
    "imageScores":{
        "book":0.09637451171875,
        "cell phone":0.0443115234375,
        "person":0.0282135009765625,
        "scissors":0.97412109375
    },
    "imageWidth":1280,
    "publishTopic":"video/infer/result",
    "type":"UPLOAD"
}

通过上述消息，可以得出如下结论

检测到物体是剪刀："class": "scissors"
AI推断为剪刀的得分是0.974："scissors": 0.974121093751
图片已保存："imageLocation": "var/lib/baetyl/image/1602639487.0222735.jpg"，对应宿主机目录：/var/lib/baetyl/app-data/video-infer-image/1602639487.0222735.jpg

step4：验证被保存的图片当中的对象

SSH登录到边缘节点，查看已经保存了多张抽帧图片，如下图所示：

将 1602639487.0222735.jpg 下载到本地电脑，确认该图片当中物体是剪刀，与MQTT Box接收到消息一致，如下图所示：

1602639487.0222735.jpg

step5：验证推断结果图片上传至云端对象存储

打开minio控制台，进入到选择image-upload这个bucket，然后进度到目录var/lib/baetyl/image，我们可以看到从边缘节点上传的图片，如下图所示：

部署PaddleServing模型

使用CPU实现边缘视频推断

智能边缘 BIE