Skip to content

Latest commit

 

History

History
111 lines (94 loc) · 6.08 KB

README.md

File metadata and controls

111 lines (94 loc) · 6.08 KB
Raw

Python例程

目录

python目录下提供了一系列Python例程，具体情况如下：

序号 Python例程 说明
1 deepsort_opencv.py 使用OpenCV解码、OpenCV前处理、SAIL推理

1. 环境准备

1.1 x86/arm PCIe平台

如果您在x86/arm平台安装了PCIe加速卡（如SC系列加速卡），并使用它测试本例程，您需要安装libsophon、sophon-opencv、sophon-ffmpeg和sophon-sail，具体请参考x86-pcie平台的开发和运行环境搭建或arm-pcie平台的开发和运行环境搭建。

您需要安装其他第三方库：

cd python
pip3 install -r requirements.txt

1.2 SoC平台

如果您使用SoC平台（如SE、SM系列边缘设备），并使用它测试本例程，刷机后在/opt/sophon/下已经预装了相应的libsophon、sophon-opencv和sophon-ffmpeg运行库包。您还需要交叉编译安装sophon-sail，具体可参考交叉编译安装sophon-sail。

您需要安装其他第三方库：

cd python
pip3 install -r requirements.txt

注:

上述命令安装的是公版opencv，如果您希望使用sophon-opencv，可以设置如下环境变量：

export PYTHONPATH=$PYTHONPATH:/opt/sophon/sophon-opencv-latest/opencv-python/

若使用sophon-opencv需要保证python版本小于等于3.8。

2. 推理测试

python例程不需要编译，可以直接运行，PCIe平台和SoC平台的测试参数和运行方式是相同的。bmcv例程与opencv运行方式相同，下面以opencv例程为例。

注意：本例程依赖YOLOv5例程，在SOC平台上测试时应保证sophon-demo代码仓完整。

2.1 参数说明

usage: deepsort_opencv.py [-h] [--input INPUT] [--bmodel_detector BMODEL_DETECTOR] [--bmodel_extractor BMODEL_EXTRACTOR] [--dev_id DEV_ID]

optional arguments:
  -h, --help            show this help message and exit
  --input INPUT         path of input video or image folder
  --bmodel_detector BMODEL_DETECTOR
                        path of detector bmodel
  --bmodel_extractor BMODEL_EXTRACTOR
                        path of extractor bmodel
  --dev_id DEV_ID       dev id

2.2 测试MOT数据集

MOT数据集测试实例如下，支持对整个文件夹里的所有图片进行测试。

cd python
python3 deepsort_opencv.py --input ../datasets/mot15_trainset/ADL-Rundle-6/img1 --bmodel_detector ../models/BM1684X/yolov5s_v6.1_3output_int8_1b.bmodel --bmodel_extractor ../models/BM1684X/extractor_fp32_1b.bmodel --dev_id=0

测试结束后，会将预测的图片保存在results/images下，预测的结果保存在results/mot_eval/ADL-Rundle-6_extractor_fp32_1b.bmodel.txt下，同时会打印推理时间等信息。

INFO:root:decode_time(ms): 22.19            #平均每帧的解码耗时
INFO:root:encode_time(ms): 64.52            #平均每帧画框和编码的时间
INFO:root:------------------Detector Predict Time Info ----------------------
INFO:root:preprocess_time(ms): 6.12         #目标检测模型平均每帧的预处理耗时
INFO:root:inference_time(ms): 25.93         #目标检测模型平均每帧的推理耗时
INFO:root:postprocess_time(ms): 12.34       #目标检测模型平均每帧的后处理耗时
INFO:root:-------------------------------------------------------------------
INFO:root:------------------Deepsort Tracker Time Info ----------------------
INFO:root:preprocess_time(ms): 0.78         #特征提取模型平均每个crop的预处理耗时
INFO:root:inference_time(ms): 3.17          #特征提取模型平均每个crop的推理耗时
INFO:root:postprocess_time(ms): 13.88       #deepsort平均每帧的的后处理耗时
INFO:root:avg crop num: 8.58                #deepsort平均每帧有多少个crop
INFO:root:-------------------------------------------------------------------

2.3 测试视频

视频测试实例如下，支持对视频流进行测试。

cd python
python3 deepsort_opencv.py --input ../datasets/test_car_person_1080P.mp4 --bmodel_detector ../models/BM1684X/yolov5s_v6.1_3output_int8_1b.bmodel --bmodel_extractor ../models/BM1684X/extractor_fp32_1b.bmodel --dev_id=0

测试结束后，会将预测的结果画在results/video/result.mp4中，同时把图片保存在results/video下，预测的结果保存在results/mot_eval/test_car_person_1080P_extractor_fp32_1b.bmodel.txt，同时会打印推理时间等信息。

INFO:root:decode_time(ms): 2.96             #平均每帧的解码耗时
INFO:root:encode_time(ms): 77.97            #平均每帧画框和编码的时间
INFO:root:------------------Detector Predict Time Info ----------------------
INFO:root:preprocess_time(ms): 7.74         #目标检测模型平均每帧的预处理耗时
INFO:root:inference_time(ms): 26.18         #目标检测模型平均每帧的推理耗时
INFO:root:postprocess_time(ms): 12.83       #目标检测模型平均每帧的后处理耗时
INFO:root:-------------------------------------------------------------------
INFO:root:------------------Deepsort Tracker Time Info ----------------------
INFO:root:preprocess_time(ms): 0.75         #特征提取模型平均每个crop的预处理耗时
INFO:root:inference_time(ms): 3.57          #特征提取模型平均每个crop的推理耗时
INFO:root:postprocess_time(ms): 17.34       #deepsort平均每帧的后处理耗时
INFO:root:avg crop num: 7.13                #deepsort平均每帧有多少个crop
INFO:root:-------------------------------------------------------------------