【AI达人创造营三期】Jetson Nano篮球和运动员检测分割的部署 |
您所在的位置:网站首页 › 篮球运动员测试标准表 › 【AI达人创造营三期】Jetson Nano篮球和运动员检测分割的部署 |
简介
1.1 背景与意义简介
目标跟踪是计算机视觉领域的一个重要问题,目前广泛应用在体育赛事转播、安防监控和无人机、无人车、机器人等领域。在篮球比赛的场景中,主要是针对篮球和运动员的检测。通过对这些目标的检测,进一步实现摄像头对比赛主体的位置跟踪或是放大。JetsonNano是NVIDIA推出的高性能边缘端部署小型计算设备 进行调节,其中200的位置可以是0~255任意整数,越大风扇转速越高 除此之外也可以安装jtop进行系统资源的监控,这里也可以调节风扇 $ sudo apt-get update $ sudo apt-get install python3-pip $ pip3 install --upgrade pip $ sudo -H pip3 install jetson-stats $ sudo jtop界面如下: 在CTRL选项卡内可以直接调节分风扇转速,也可以设置为自动模式,根据温度自动调节 在MEM选项卡可以设置 swapfile大小设置交换内存 2.2 网络设置为了开发方便,可以在Windows主机上简单搭建NFS服务器,共享文件夹给Jetson Nano。 用网线连接Windows主机和JetsonNano 配置Windows主机的IP: 设置->网络和Internet->高级网络设置->选择与JetsonNano所连接的网络适配器->查看其它属性->编辑IPv4地址 例如192.168.1.2/24,如下图 配置JetsonNano端IP $ sudo vi /etc/network/interfaces在该文件中加入 auto eth0 iface eth0 inet static address 192.168.1.165 netmask 255.255.255.0 之后从重新启用eth0 $ sudo service network-manager restart $ sudo ifdown eth0 $ sudo ifup eth0 通过$ ifconfg eth0查看是否配置好![]() 其中ip address设置与Windows端在同一子网下,配置好后通过互相ping检查是否连通。 使用haneWIN NFS Server,配置过程参考这篇博客在Windows主机上搭建好NFS Server后,在Jetson Nano端输入mount命令将共享的文件夹挂载到本地的目录下 $ sudo mount -t nfs -o nolock 192.168.1.2:/e/JetsonNano/Shared ~/WinShared/其中192.168.1.2为Windows主机配置的IP,/e/JetsonNano/Shared为Windows主机中被共享出去的文件夹,~/WinShared/为JetsonNano中挂载共享文件夹的目录 挂载上后即可通过~/WinShared访问目录,在Windows上使用PyCharm编写项目的主要代码,在JetsonNano上运行即可 2.3 库的安装 首先使用$ jtop的INFO选项卡查看主要的SDK信息,如下图所示安装paddlepaddle 3. 界面实现 最后使用PyQt实现简单的各类检测集成的界面。由于官方镜像中PyQt5使用的gtk不适配,使用cv2.imshow就会报错,需要输入以下命令 $ sudo apt-get build-dep qt5-default $ sudo apt install libcanberra-gtk-module $ sudo apt install qt5-style-plugins $ echo "export QT_QPA_PLATFORMTHEME=gtk2" >> ~/.profile具体可参考此链接 使用Qt Designer实现界面的设计,如下图: 界面见start_test.py 主要实现的功能有测试摄像头,录制视频,读取视频,篮球运动员实时检测,篮球实时检测,篮球和运动员的视频处理,篮球运动员分割视频处理,见start.py 4. 实时篮球检测 首先将训练过的basketball_detection_model推理模型下载,放在工作目录的PaddleDetection/output_inference/下使用PaddleDetection中的python推理infer.py 因为camera_id只能传参整数,而在JestsonNano上使用CSI摄像头需要特殊的参数将源码中capture=cv2.VideoCapture(camera_id)修改为 capture = cv2.VideoCapture("nvarguscamerasrc sensor-id=0 !video/x-raw(memory:NVMM), width=640, height=480, format=NV12, framerate=30/1 !nvvidconv flip-method=0 ! videoconvert ! video/x-raw, format=BGR ! appsink") 之后通过,os.system调用infer.py即可,主要实现代码如下(截取start.py部分) def bsk_dtc(self): if not self.check_store_path(): return target_dir = self.video_record_le.text() + os.sep command = r'python3 PaddleDetection/deploy/python/infer.py \ --model_dir=PaddleDetection/output_inference/basketball_detection_model \ --camera_id=0 \ --threshold=0.8 \ --device=GPU \ --output_dir=' + target_dir os.system(command) return 检测输入的视频存储路径和视频读取路径是否合法check_store_parth()和check_read_path() # 检查读取的视频位置是否存在 def check_read_path(self) -> bool: src_path = self.read_video_le.text() if not os.path.isfile(src_path): msg_box = QMessageBox(QMessageBox.Information, '错误', '视频文件不存在') msg_box.exec_() return False # 判断是否为视频文件 name = src_path.split(os.sep)[-1] if name.endswith(('.mp4', '.avi', '.mkv', '.wmv', '.iso')): return True else: return False # 检查存储视频的目录是否合法 def check_store_path(self) -> bool: text = self.video_record_le.text() if text.__len__() == 0: msg_box = QMessageBox(QMessageBox.Information, '错误', '视频存储路径不能为空') msg_box.exec_() return False target_dir = self.video_record_le.text() + os.sep if not os.path.isdir(target_dir): msg_box = QMessageBox(QMessageBox.Information, '错误', '目录不存在') msg_box.exec_() return False return True 5. 实时运动员检测 下载PPhuman的mot_ppyoloe_l_36e_pipeline推理模型,放在工作目录的PaddleDetection/output_inference/下使用PaddleDetection中的python推理脚本infer.py之后通过,os.system调用infer.py即可,主要实现代码如下(截取start.py部分) def player_dtc(self): if not self.check_store_path(): return target_dir = self.video_record_le.text() + os.sep command = r'python3 PaddleDetection/deploy/python/infer.py \ --model_dir=PaddleDetection/output_inference/mot_ppyoloe_l_36e_pipeline \ --camera_id=0 \ --threshold=0.8 \ --device=GPU \ --output_dir=' + target_dir os.system(command) return 6. 篮球运动员检测视频处理 视频处理同样使用infer.py,不使用camera_id,使用video_file参数指定视频位置主要代码如下,先处理运动员检测,再处理篮球检测 def bsk_ply_dtc(self): if not self.check_store_path(): return target_dir = self.video_record_le.text() + os.sep tmp_dir = os.path.join(target_dir, 'tmp') if not os.path.isdir(tmp_dir): os.mkdir(tmp_dir) if not self.check_read_path(): return src_path = self.read_video_le.text() name = src_path.split(os.sep)[-1] if not name.endswith('.mp4'): name = 'output.mp4' command = r'python3 PaddleDetection/deploy/python/infer.py \ --model_dir=PaddleDetection/output_inference/mot_ppyoloe_l_36e_pipeline \ --video_file=' + src_path + r' \ --threshold=0.8 \ --device=GPU \ --output_dir=' + tmp_dir os.system(command) middle_path = os.path.join(tmp_dir, name) command = r'python3 PaddleDetection/deploy/python/infer.py \ --model_dir=PaddleDetection/output_inference/basketball_detection_model \ --video_file=' + middle_path + r' \ --threshold=0.5 \ --device=GPU \ --output_dir=' + target_dir os.system(command)如下图所示效果 效果如下图 此文章为搬运 原项目链接 |
今日新闻 |
推荐新闻 |
CopyRight 2018-2019 办公设备维修网 版权所有 豫ICP备15022753号-3 |