所有文档

          EasyDL定制AI训练平台

          经典版物体检测LinuxSDK集成文档-Python

          简介

          本文档介绍 EasyDL 的 Linux Python SDK 的使用方法,适用于 EasyDL 经典版和专业版。

          • 网络类型支持:图像分类,物体检测
          • 硬件支持:

            • Intel Movidius MyRIAD2 / MyRIAD X
          • 语言支持:Python 3.5, 3.6, 3.7

          Release Notes

          时间 版本 说明
          2020.09.17 1.1.19 支持更多模型
          2020.08.11 1.1.18 性能优化
          2020.06.23 1.1.17 支持更多EasyDL专业版模型
          2020.04.16 1.1.15 技术优化;升级 OpenVINO 版本
          2020.01.16 1.1.12 预测函数默认使用推荐阈值
          2019.12.26 1.1.11 EasyDL 专业版支持加速棒
          2019.10.21 1.1.9 支持 EasyDL 专业版
          2019.07.19 1.1.7 提供模型更新工具
          2019.03.15 1.1.0 架构与功能完善
          2019.02.28 1.0.6 引擎功能完善
          2019.02.13 1.0.5 paddlepaddle 支持
          2018.11.30 1.0.0 第一版!

          快速开始

          1. 安装依赖

          根据引擎的不同,SDK 依赖了不同的底层引擎。根据所需自行安装。

          安装 openvino

          使用Intel Movidius加速棒 SDK 预测时,必须安装 OpenVINO 预测引擎,两种方式:

          • 使用 OpenVINO™ toolkit 安装,请参考 OpenVINO toolkit 文档安装 2020.1(必须)版本, 安装时可忽略Configure the Model Optimizer及后续部分。
          • 使用源码编译安装,请参考 Openvino Inference Engine文档编译安装 2020.1(必须)版本。

          2. 安装 easyedge python wheel 包

          pip3 install -U BaiduAI_EasyEdge_SDK-{版本号}-cp36-cp36m-linux_x86_64.whl

          具体名称以 SDK 包中的 whl 为准。

          3. 使用序列号激活

          获取序列号

          修改demo.py 填写序列号

          edge.set_auth_license_key("这里填写序列号")

          4. 测试 Demo

          输入对应的模型文件夹(默认为RES)和测试图片路径,运行:

          python3 demo.py {model_dir} {image_name.jpg}

          测试效果:

          使用说明

          使用流程

          import BaiduAI.EasyEdge as edge
          
          edge.set_auth_license_key("这里填写序列号")
          
          pred = edge.Program()
          pred.init(model_dir={RES文件夹路径}, device=edge.Device.MOVIDIUS, engine=edge.Engine.OPENVINO)
          pred.infer_image({numpy.ndarray的图片})
          pred.close()

          初始化

          • 接口
              def init(self,
                      model_dir,
                      device=Device.LOCAL,
                      engine=Engine.PADDLE_FLUID,
                      config_file='conf.json',
                      preprocess_file='preprocess_args.json',
                      model_file='model',
                      params_file='params',
                      graph_file='graph.ncsmodel',
                      label_file='label_list.txt',
                      device_id=0
                      ):
                 """
                 Args:
                     device: Device.CPU
                     engine: Engine.PADDLE_FLUID
                     model_dir: str
                         model dir
                     preprocess_file: str
                     model_file: str
                     params_file: str
                     graph_file: str
                     label_file: str
                     device_id: int
          
                 Raises:
                     RuntimeError, IOError
                 Returns:
                     bool: True if success
          
                 """

          预测图像

          • 接口
              def infer_image(self, img,
                             threshold=0.3,
                             channel_order='HWC',
                             color_format='BGR',
                             data_type='numpy'):
                 """
          
                 Args:
                     img: np.ndarray or bytes
                     threshold: float
                         only return result with confidence larger than threshold
                     channel_order: string
                         channel order HWC or CHW
                     color_format: string
                         color format order RGB or BGR
                     data_type: string
                         image data type
                     
                 Returns:
                     list
          
                 """
          • 返回格式: [dict1, dict2, ...]
          字段 类型 取值 说明
          confidence float 0~1 分类或检测的置信度
          label string 分类或检测的类别
          index number 分类或检测的类别
          x1, y1 float 0~1 物体检测,矩形的左上角坐标 (相对长宽的比例值)
          x2, y2 float 0~1 物体检测,矩形的右下角坐标(相对长宽的比例值)
          mask string/numpy.ndarray 图像分割的mask

          关于矩形坐标

          x1 * 图片宽度 = 检测框的左上角的横坐标

          y1 * 图片高度 = 检测框的左上角的纵坐标

          x2 * 图片宽度 = 检测框的右下角的横坐标

          y2 * 图片高度 = 检测框的右下角的纵坐标

          可以参考 demo 文件中使用 opencv 绘制矩形的逻辑。

          结果示例

          • i) 图像分类
          {
              "index": 736,
              "label": "table",
              "confidence": 0.9
          }
          • ii) 物体检测
          {
              "y2": 0.91211,
              "label": "cat",
              "confidence": 1.0,
              "x2": 0.91504,
              "index": 8,
              "y1": 0.12671,
              "x1": 0.21289
          }
          • iii) 图像分割
          {
          	  "name": "cat",
              "score": 1.0,
              "location": {
              	"left": ..., 
              	"top": ..., 
              	"width": ...,
              	"height": ...,
              },
              "mask": ...
          }

          mask字段中,data_type为numpy时,返回图像掩码的二维数组

          {
            {0, 0, 0, 0, 0, 0, 0, 0, 0, 0},
            {0, 0, 0, 1, 1, 1, 0, 0, 0, 0},
            {0, 0, 0, 1, 1, 1, 0, 0, 0, 0},
            {0, 0, 0, 1, 1, 1, 0, 0, 0, 0},
            {0, 0, 0, 1, 1, 1, 0, 0, 0, 0},
            {0, 0, 0, 0, 0, 0, 0, 0, 0, 0},
          }
          其中1代表为目标区域,0代表非目标区域

          data_type为string时,mask的游程编码,解析方式可参考 demo

          升级模型

          适用于经典版升级模型,执行bash update_model.sh,根据提示,输入模型路径、激活码、模型ID、模型版本,等待模型更新完毕即可。

          上一篇
          设备端SDK简介
          下一篇
          LinuxSDK集成文档-C++