基于Aidlux平台的人工智能开发部署全流程
第一步：
连接Aidlux后，使用jupyter notebook --allow-root进行Aidlux平台联系的jupyter notebook安装配置环境：
1.安装ONNX、ONNX Runtime
!pip install onnx onnxruntime
2.安装其他第三方工具包
!pip install protobuf==3.20.1
3.下载中文字体文件
!wget https://zihao-openmmlab.obs.cn-east-3.myhuaweicloud.com/20220716-mmclassification/dataset/SimHei.ttf
4.验证安装配置成功
import torch print('PyTorch版本', torch.__version__)
import onnxprint('ONNX版本', onnx.__version__)
import onnxruntime as ortprint('ONNX Runtime版本', ort.__version__)
第二步：
准备ONNX模型文件:
!wget https://zihao-tutorial.obs.cn-east-3.myhuaweicloud.com/aidlux/ckpt/resnet18_imagenet.onnx
!wget https://zihao-tutorial.obs.cn-east-3.myhuaweicloud.com/aidlux/ckpt/resnet18_fruit30.onnx
resnet18_imagenet.onnx：PyTorch官方预训练模型-ImageNet1000类图像分类模型 转ONNX
resnet18_fruit30.onnx：自己训练得到的30类水果图像分类模型 转ONNX
第三步：
水果图像分类素材准备：
上传自己要测试的图像和视频。
下载类别ID和类别名称对应文件：
!wget https://zihao-openmmlab.obs.cn-east-3.myhuaweicloud.com/20220716-mmclassification/dataset/fruit30/idx_to_label
第四步：
使用ONNX Runtime 推理引擎，载入自己训练得到的图像分类 onnx 模型，预测摄像头实时画面。
具体代码如下：
##导入工具包
importonnxruntime
importtorchfromtorchvision importtransformsimporttorch.nn.functional asF
importpandas aspdimportnumpy asnp
fromcvs import *fromPIL importImage, ImageFont, ImageDraw
importmatplotlib.pyplot asplt%matplotlibinline
# 导入中文字体，指定字号
font =ImageFont.truetype('SimHei.ttf', 32)
# 载入ONNX模型，获取ONNX Runtime推理器
ort_session =onnxruntime.InferenceSession('resnet18_fruit30.onnx')
# 载入类别和ID对应字典
idx_to_labels =np.load('idx_to_labels.npy', allow_pickle=True).item()
# 图像预处理
# 测试集图像预处理-RCTN：缩放裁剪、转 Tensor、归一化test_transform =transforms.Compose([transforms.Resize(256),
transforms.CenterCrop(256),
transforms.ToTensor(),
transforms.Normalize(
mean=[0.485, 0.456, 0.406],
std=[0.229, 0.224, 0.225])
])
# 初始化摄像头
# 摄像头ID 0-后置 1-前置
Camera_ID =0
cap =cvs.VideoCapture(Camera_ID)
# 调用摄像头获取一帧画面
img_bgr = cap.read()
img_bgr.shape
plt.imshow(img_bgr[:,:,::-1])
plt.show()
#画面转成RGB 的 Pillow 格式
img_bgr.shape
img_rgb =cv2.cvtColor(img_bgr, cv2.COLOR_BGR2RGB) # BGR转RGB
img_pil =Image.fromarray(img_rgb)
#预处理
input_img =test_transform(img_pil)
input_tensor =input_img.unsqueeze(0).numpy()
#ONNX Runtime预测
# onnx runtime 输入
ort_inputs ={'input': input_tensor}
# onnx runtime 输出
pred_logits =ort_session.run(['output'], ort_inputs)[0]
pred_logits =torch.tensor(pred_logits)
pred_softmax =F.softmax(pred_logits, dim=1) # 对 logit 分数做 softmax 运算
pred_softmax.shape
#解析top-n预测结果的类别和置信度
n =3top_n =torch.topk(pred_softmax, n) # 取置信度最大的 n 个结果pred_ids =top_n[1].cpu().detach().numpy().squeeze() # 解析出类别
confs =top_n[0].cpu().detach().numpy().squeeze() # 解析出置信度
#在图像上写中文
draw =ImageDraw.Draw(img_pil) # 在图像上写字
fori inrange(len(confs)):
pred_class =idx_to_labels[pred_ids[i]]
text ='{:<8} {:>.2f}'.format(pred_class, confs[i])
# 文字坐标，中文字符串，字体，rgba颜色
draw.text((50, 100 +50 *i), text, font=font, fill=(255, 0, 0, 1))
img =np.array(img_pil) # PIL 转 array
plt.imshow(img)
plt.show()
#处理单帧画面的函数
# 处理帧函数
defprocess_frame(img): ''' 输入摄像头拍摄画面bgr-array，输出图像分类预测结果bgr-array '''
# 记录该帧开始处理的时间
start_time =time.time()
## 画面转成 RGB 的 Pillow 格式
img_rgb =cv2.cvtColor(img, cv2.COLOR_BGR2RGB) # BGR转RGB
img_pil =Image.fromarray(img_rgb) # array 转 PIL
## 预处理
input_img =test_transform(img_pil) # 预处理
input_tensor =input_img.unsqueeze(0).numpy()
## onnx runtime 预测
ort_inputs ={'input': input_tensor} # onnx runtime 输入
pred_logits =ort_session.run(['output'], ort_inputs)[0] # onnx runtime 输出
pred_logits =torch.tensor(pred_logits)
pred_softmax =F.softmax(pred_logits, dim=1) # 对 logit 分数做 softmax 运算
## 解析top-n预测结果的类别和置信度
n =3
top_n =torch.topk(pred_softmax, n) # 取置信度最大的 n 个结果
pred_ids =top_n[1].cpu().detach().numpy().squeeze() # 解析出类别
confs =top_n[0].cpu().detach().numpy().squeeze() # 解析出置信度
## 在图像上写中文
draw =ImageDraw.Draw(img_pil)
fori inrange(len(confs)):
pred_class =idx_to_labels[pred_ids[i]]
text ='{:<8} {:>.2f}'.format(pred_class, confs[i])
# 文字坐标，中文字符串，字体，rgba颜色
draw.text((50, 100 +50 *i), text, font=font, fill=(255, 0, 0, 1))
img =np.array(img_pil) # PIL 转 array
img =cv2.cvtColor(img, cv2.COLOR_RGB2BGR) # RGB转BGR
# 记录该帧处理完毕的时间
end_time =time.time()
# 计算每秒处理图像帧数FPS
FPS =1/(end_time -start_time)
# 图片，添加的文字，左上角坐标，字体，字体大小，颜色，线宽，线型
img =cv2.putText(img, 'FPS '+str(int(FPS)), (50, 80), cv2.FONT_HERSHEY_SIMPLEX, 2, (0, 0, 255), 4, cv2.LINE_AA)
returnimg
#逐帧实时处理手机摄像头拍摄的画面
while True:
img_bgr =cap.read()
ifimg_bgr is None:
continue
img_bgr =process_frame(img_bgr)
cvs.imshow(img_bgr)
#视频逐帧处理
importcv2importnumpy asnpimporttimefromtqdm importtqdm
# 视频逐帧处理代码模板# 不需修改任何代码，只需定义process_frame函数即可# 同济子豪兄 2021-7-10
defgenerate_video(input_path='videos/robot.mp4'):
filehead =input_path.split('/')[-1]
output_path ="out-" +filehead
print('视频开始处理',input_path)
# 获取视频总帧数
cap =cv2.VideoCapture(input_path)
frame_count =0
while(cap.isOpened()):
success, frame =cap.read()
frame_count +=1
if notsuccess:
break
cap.release()
print('视频总帧数为',frame_count)
# cv2.namedWindow('Crack Detection and Measurement Video Processing')
cap =cv2.VideoCapture(input_path)
frame_size =(cap.get(cv2.CAP_PROP_FRAME_WIDTH), cap.get(cv2.CAP_PROP_FRAME_HEIGHT))
# fourcc = int(cap.get(cv2.CAP_PROP_FOURCC))
# fourcc = cv2.VideoWriter_fourcc(*'XVID')
fourcc =cv2.VideoWriter_fourcc(*'mp4v')
fps =cap.get(cv2.CAP_PROP_FPS)
out =cv2.VideoWriter(output_path, fourcc, fps, (int(frame_size[0]), int(frame_size[1])))
# 进度条绑定视频总帧数
withtqdm(total=frame_count-1) aspbar:
try:
while(cap.isOpened()):
success, frame =cap.read()
if notsuccess:
break
# 处理帧
# frame_path = './temp_frame.png'
# cv2.imwrite(frame_path, frame)
try:
frame =process_frame(frame)
except:
print('报错！', error)
pass
ifsuccess == True:
# cv2.imshow('Video Processing', frame)
out.write(frame)
# 进度条更新一帧
pbar.update(1)
# if cv2.waitKey(1) & 0xFF == ord('q'):
# break
except:
print('中途中断')
pass
cv2.destroyAllWindows()
out.release()
cap.release()
print('视频已保存', output_path)
generate_video(input_path='fruits_video.mp4')
个人体会：
笔者是在Aidlux团队以及B站up主张子豪老师的训练营中学习而来，期间张子豪老师区别以往的视频课，以一种更加直观的方式展现出整个项目的流程与细节。不管是AI算法小白还是AI算法的老手都在这次训练营受益匪浅。Aidlux工程实践内容全是干货，同时过程也遇见了很多问题，但是张子豪老师和训练营的其他同学们都很认真为其他学员解决，耐心辅导，对我来言，刚刚接触这一领域，以及Aidlux平台的使用，让我耳目一新。整个流程下，我已经学会了如何在Aidlux进行ONNX Runtime模型部署，令我也感觉到成就感，在此特别感谢张子豪老师和Aidlux团队的贡献，希望他们以后在AI算法开发的道路事业更加顺利。
最后放上本次基于Aidlux平台实现ONNX Runtime部署-水果分类-摄像头和视频的效果视频的地址。
基于Aidlux平台实现ONNX Runtime部署-水果分类-摄像头实时：https://www.bilibili.com/video/BV1UX4y1L76H/?vd_source=d3b09cd0849dbba42c427a4dccbd3c54
基于Aidlux平台实现ONNX Runtime部署-水果分类-视频解析：https://www.bilibili.com/video/BV1HX4y1L7B4/?vd_source=d3b09cd0849dbba42c427a4dccbd3c54
