使用Movidius VPU加速边缘视频推断
所有文档
menu

智能边缘 BIE

使用Movidius VPU加速边缘视频推断

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


二、搭建边缘硬件环境

搭建边缘硬件环境,如下图所示

WechatIMG975.jpeg

搭建步骤如下

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

整体环境信息如下

  1. 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。

    image.png

  2. 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

  1. 摄像头连接边缘盒子,实时探测视野范围内的物体
  2. 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。
  3. 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

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

image.png

五、边缘应用关系

各模块之间的调用关系如下图所示

image.png

整个视频推断流程如下

  1. 视频抽帧
  2. 加载模型执行AI推断
  3. 调用函数对推断结果做后处理
  4. 基于函数返回结果,保存达到指定阈值的图片
  5. 将推断结果发送到
  6. 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

  1. 创建函数配置项:vi-function-code,如下图所示:

image.png

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

image.png

  • 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

  1. 创建配置项:video-infer-conf,如下图所示:

image.png

  • 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: openvinodevice: 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
  1. 创建配置项:video-infer-model,如下图所示

image.png

  • 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 ,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.pbssd_mobilenet_v1_coco_2017_11_17.pbtxt这里两个模型文件。
  1. 创建应用:video-infer,添加容器服务:video-infer-openvino,如下图所示:

image.png

image.png

  • 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.pbssd_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

  1. 创配配置项:remote-mino-conf,如下图所示:

image.png

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

image.png

  • 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

  1. 将上述应用全部部署至边缘节点,如下图所示:

image.png

  1. 检查边缘节点上的应用部署情况,如下图所示:

image.png

step2:使用MQTT Box订阅边缘节点本地broker服务

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:

image.png

step3:使用摄像头检测物体

  1. 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
  2. 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。

image.png

  1. 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

  1. 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:

image.png

  1. 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:

image.png

上一篇
部署PaddleServing模型
下一篇
使用CPU实现边缘视频推断