《Aidlux智慧安防AI实战训练营》总结
原创
1、课程目标
讲解AI?业智慧城市?业的?前状况，并从边缘设备应用、越界识别应?等为案例进?讲解，通过实战化培训全面提升算法实战应用。
2、课程大纲
为了带着?家整体实现各个功能，本次训练营的课程主要分成6节课。
第?节课，即本节课，主要讲解AI?业智慧城市?业的?前状况，并从边缘设备、越界识别应?等为案例，进?讲解。
第?节课，主要从边缘设备的?式，Aidlux进?讲解，了解在边缘端的各??内容。
第三节课，主要从?标检测算法的训练，Aidlux上的移植、测试等??进?讲解。
第四节课，学习了?标检测后，会将?标检测和?标追踪结合，尝试完整的?体检测追踪，为后?的各类业务功能做准备。
第五节课，会将越界识别的业务功能也添加进来，当有?越界的时候，会通过喵提醒的?式，通知开发者及时查看?机??的越界图?。
第六节课，会举办?次结营活动，对于完成训练营作业的同学颁发获奖证书，以及?系列的礼物奖励。
3、课程作业
1）作业要求：实现?流统计代码，使??体检测+?体追踪+业务逻辑，完成?流统计的业务功能，完成整体?流统计项?的开发和实现。
2）效果实现：
演示效果视频如下：
3）具体代码
from cvs import *
import aidlite_gpu
from utils import detect_postprocess, preprocess_img, draw_detect_res, scale_coords, process_points,is_in_poly, 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 = '/home/lesson4_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("/home/lesson3_codes/yolov5_code/aidlux/1.mp4")
frame_id = 0
count_person = 0
while True:
frame = cap.read()
if frame is None:
#相机采集结束
print("Camera is over!")
# 填写对应的喵码
id = 'ti5efHO'
# 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 = "人流统计数" + str(count_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 += 2
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)
### 越线识别功能实现 ### 人流线
# 1.绘制越线监测区域
lines = [[195,890], [1028,890]]
cv2.line(res_img,(195,890), (1028,890), (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. 人体和违规区域的判断（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)
count_person += 1
cv2.putText(res_img, "-1 to 1 person:" + str(count_person), (50,50), cv2.FONT_HERSHEY_SIMPLEX, 1, (255, 0, 255), 2 )
cvs.imshow(res_img)4、收获总结及学习心得
1）熟悉AI项目开发流程： 通过前面5次课学习，熟悉Aidlux相关操作，对AI项目开发流程全面进行实现及实战，包括数据采集和数据标注、数据分析和可视化、网络模型设计、AI模型部署及AI边缘设备代码实现。
2）熟悉掌握常用开发工具：熟悉VScode安装、编程、调试，对python和OpenCV常见图像处理及视频处理进行实操编码及测试；熟悉AidLux远程调试，实现边缘终端部署测试。
3）掌握目标检测跟踪算法：熟悉人体检测YOLO V5版本相关算法，并对其原理及算法应用进行资料查阅和熟悉；熟悉多目标跟踪算法，并对deepsort、bytetrack等基本原理及算法实现。
4）掌握算法综合场景应用：熟悉掌握了越界识别、人流统计综合应用，对常见警戒区域设置、行为判断、状态检测等业务逻辑进行全面熟悉与设计，并实现目标跟踪类综合应用。
原创声明：本文系作者授权腾讯云开发者社区发表，未经许可，不得转载。
如有侵权，请联系 cloudcommunity@tencent.com 删除。
原创声明：本文系作者授权腾讯云开发者社区发表，未经许可，不得转载。
如有侵权，请联系 cloudcommunity@tencent.com 删除。