Перейти к основному содержимому
Version: 3.16.1 (последняя)

API процессинг-блоков

API процессинг-блоков (блоков обработки) является альтернативным масштабируемым интерфейсом, замещающим существующие API, для более легкой интеграции возможностей SDK в ваше приложение.

Основные возможности API процессинг-блоков:

  • Объединение многих компонентов в единую интеграцию
  • Простота и легкость изучения
  • Быстрое внедрение
  • Долгосрочная поддержка и обновления

API процессинг-блоков является частью будущих решений 3DiVi. Для получения более подробной информации обратитесь к торговому представителю 3DiVi.

Набор процессинг-блоков#

note

Сэмпл processing_block_demo демонстрирует использование API процессинг-блоков.

Face Detector#

Face Detector — это компонент, используемый для обнаружения человеческих лиц на изображении. Результатом обнаружения является ограничивающий прямоугольник (рамка) вокруг обнаруженного лица.

Временные характеристики Face Detector:

  • CPU (Intel Core i5-9400 @ 4.10GHz Turbo, 1 core) ~115ms
  • GPU (GeForce GTX 1080 Ti) ~16ms

Вы можете найти информацию об использовании Face Detector на странице Детекция лиц.

Human Body Detector#

Human Body Detector — это компонент, используемый для обнаружения человеческих тел на изображении. Результатом обнаружения является ограничивающий прямоугольник (рамка) вокруг обнаруженного тела.

Временные характеристики Human Body Detector:

  • CPU (Intel Core i5-9400 @ 4.10GHz Turbo, 1 core) ~170ms
  • GPU (GeForce GTX 1080 Ti) ~16ms

Информацию об использовании Human Body Detector вы можете найти на странице Детекция тел.

Object Detector#

Object Detector — это компонент, используемый для обнаружения объектов разных типов на изображении. Результатом обнаружения является ограничивающий прямоугольник (рамка) вокруг обнаруженного объекта с классификационным именем. Object Detector используется для детекции на изображении объектов следующих классов: "body" - человеческое тело, "bicycle" - велосипед, "car" - автомобиль, "motorcycle" - мотоцикл, "bus" - автобус, "train" - поезд, "truck" - грузовик, "traffic_light" - светофор, "fire_hydrant" - пожарный гидрант, "stop_sign" - сигнал "стоп", "bird" - птица, "cat" - кошка, "dog" - собака, "horse" - лошадь, "sheep" - овца, "cow" - корова, "bear" - медведь, "backpack" - рюкзак, "umbrella" - зонт, "handbag"- сумка, "suitcase" - чемодан, "sports_ball" - спортивный мяч, "baseball_bat" - бейсбольная бита, "skateboard"- скейтборд, "tennis_racket" - теннисная ракетка, "bottle" - бутылка, "wine_glass" - бокал вина, "cup" - чашка, "fork" - вилка, "knife" - нож, "laptop" - ноутбук, "phone" - телефон, "book" - книга, "scissors" - ножницы.

Временные характеристики Object Detector:

  • CPU (Intel Core i5-11400H @ 2.70GHz, 1 core) ~1440ms
  • GPU (GeForce GTX 1080 Ti) ~35,6ms

Информацию об использовании детектора объектов и список объектов для обнаружения вы можете найти на странице Детекция объектов.

Human Pose Estimator#

Human Pose Estimator — это компонент, используемый для вычисления ключевых точек скелета человеческого тела на изображении. Результатом обнаружения является список ключевых точек с их координатами и оценкой достоверности обнаруженного человеческого тела. Human Pose Estimator используется для обнаружения следующих ключевых точек на изображении: "nose", "left_eye", "right_eye", "left_ear", "right_ear", "left_shoulder", "right_shoulder", "left_elbow", "right_elbow", "left_wrist", "right_wrist", "left_hip", "right_hip", "left_knee", "right_knee", "left_ankle", "right_ankle"

Временные характеристики Human Pose Estimator:

  • CPU (Intel Core i5-11400H @ 2.70GHz, 1 core) ~55ms
  • GPU (GeForce GTX 1080 Ti) ~15ms

Вы можете найти информацию об использовании Human Pose Estimator на странице Оценка позы человека.

Emotion Estimator#

Emotion Estimator — компонент, используемый для оценки эмоций человека по кадрированному изображению лица. Результатом оценки является числовое значения степени проявления для каждой оцениваемой эмоции.

Временные характеристики Emotion Estimator:

  • CPU (Intel Core i5-9400 @ 4.10GHz Turbo, 1 core) ~18ms
  • GPU (GeForce GTX 1080 Ti) ~8ms

Информацию об использовании Emotion Estimator вы можете найти на странице Оценка эмоций.

Age Estimator#

Age Estimator — компонент, используемый для оценки возраста человека по кадрированному изображению с лицом. Результатом оценки является возраст человека.

Временные характеристики Age Estimator:

  • CPU (Intel Core i5-9400 @ 4.10GHz Turbo, 1 core) ~5ms
  • GPU (GeForce GTX 1080 Ti) ~1ms

Вы можете найти информацию об использовании Age Estimator на странице Оценка возраста.

Gender Estimator#

Gender Estimator — компонент, используемый для оценки пола человека по кадрированному изображению с лицом. Результат оценки — вердикт о половой идентичности.

Временные характеристики Gender Estimator:

  • CPU (Intel Core i5-9400 @ 4.10GHz Turbo, 1 core) ~5ms
  • GPU (GeForce GTX 1080 Ti) ~1ms

Информацию об использовании Gender Estimator вы можете найти на странице Оценка пола.

2D RGB Liveness Estimator#

2D RGB Liveness Estimator - компонент, используемый для оценки принадлежности лица на RGB-изображении реальному человеку. Результатом обнаружения является ограничивающий прямоугольник (рамка) вокруг обнаруженного лица, вердикт о принадлежности реальному человеку и числовое значение вероятности. Информацию об использовании 2D RGB Liveness Estimator вы можете найти на странице Оценка принадлежности лица реальному человеку.

Quality Assessment Estimator#

Блок оценки качества — это компонент, используемый для оценки качества фотографии лица для задач идентификации на одном цветном изображении. Результатом обнаружения является список обнаруженных человеческих лиц с подробным анализом качества. Вы можете найти информацию об использовании Quality Assessment Estimator на странице Блок оценки качества.

Context#

Ключевой концепцией API процессинг-блоков является использование контейнеров Context.

Context - это гетерогенный контейнер, состоящий из набора иерархически организованных данных, представленных как пары ключ-значение. Ближайший аналог Context - объект JSON. Каждый объект Context может содержать: скалярный объект (integer, real, boolean, string), указатель на область памяти, массив объектов Context, ассоциативный контейнер пар <string, Context> с неограниченной вложенностью.

Как создать и использовать Context#

  1. Создайте FacerecService.

  2. Создайте Context-контейнер:

auto array_elem0 = service->createContext();
  1. Общий набор операций с Context:
  • создание ассоциативного контейнера по ключу ["key"] на пустом контейнере Context:
array_elem0["name"] = "Julius Zeleny"; // put string
array_elem0["phone"] = 11111111111l; // put integer (long)
array_elem0["social_score"] = 0.999; // put double
array_elem0["verified"] = true; // put bool
  • getters:
ASSERT_EQ( array_elem0["name"].getString(), "Julius Zeleny" );
ASSERT_EQ( array_elem0["phone"].getLong(), 11111111111l );
ASSERT_EQ( array_elem0["social_score"].getDouble(), 0.999 );
ASSERT_EQ( array_elem0["verified"].getBool(), true );
  • создание массива вызовом метода push_back на пустом контейнере Context:
auto service->createContext();
array.push_back(array_elem0);
  • итерации по массиву:
// get by index
ASSERT_EQ( array[0]["phone"].getLong(), 11111111111l );
// iterate with index
size_t array_sz = array.size();
for(size_t i = 0; i < array_sz; ++i)
array[i]["phone"];
// or with iterators
for(auto iter = array.begin(); iter != array.end(); ++iter)
(*iter)["phone"]; // deference returns nested Context
// with foreach
for(auto val : array)
val["phone"];
  • операции со вложенными ассоциативными контейнерами:
auto full = service->createContext();
full["friends"] = std::move(array); // move assignment without copying
// access nested object
ASSERT_EQ( full["friends"][0]["social_score"].getDouble(), 0.999 );
// iterate over associative containers values
for(auto iter = full.begin(); iter != full.end(); ++iter) {
iter.key(); // get key value from iterator
(*iter)[0]["social_score"].getDouble(); // get value
}
// with foreach
for(auto val : full)
val[0]["social_score"].getDouble();
  • другие удобные методы Context:
void clear()
bool contains(const std::string& key) // for an assosiative container
Context operator[](size_t index) // for a sequence array, access specified element with bounds checking
Context operator[](const std::string& key) // for an assosiative container, access or insert
Context at(const std::string& key) // for an assosiative container, with bounds checking
size_t size() // return elements count for a container
bool isNone() // is empty
bool isArray() // is a sequence array
bool isObject() // is an assosiative container
bool isLong(), isDouble(), isString(), isBool() // check if contains a certain scalar type

Бинарный формат изображений#

Большинство процессинг-блоков выполняют операции с контейнерами Context, содержащими изображения в бинарном формате:

/*
{
"image" : { "format": "NDARRAY",
"blob": <data pointer>,
"dtype": "uint8_t",
"shape": [height, width, channels] }
}
*/

Ключ "blob" содержит умный указатель на данные. Указатель устанавливается функцией void Context::setDataPtr(void* ptr, int copy_sz), где copy_sz - размер памяти в байтах, который будет скопирован, и затем автоматически освобождается когда заканчивается время жизни объекта Context. Копирование не будет выполнено, если в качестве аргумента copy_sz будет передан 0. В этом случае объект Context не контролирует время жизни объекта, на который он указывает.

Ключ "blob" содержит умный указатель на данные. Указатель устанавливается функцией void Context::setDataPtr(void* ptr, int copy_sz), где copy_sz - это размер памяти в байтах, которая будет скопирована и далее автоматически освобождена. Копирование не выполняется если в качестве аргумента copy_sz передан 0.

Вы также можете аллоцировать "сырую" память, например, чтобы скопировать данные позже, передавая nullptr и размер в качестве аргументов setDataPtr.

Ключ "dtype" может содержать одно из следующих значений: "uint8_t", "int8_t", "uint16_t", "int16_t", "int32_t", "float", "double". Каждому значению соответствует определенный тип OpenCV: CV_8U, CV_8S, CV_16U, CV_16S, CV_32S, CV_32F, CV_64F.

Создание контейнера Context c RGB-изображением#

  1. Создайте FacerecService.

  2. Создайте контейнер Context для изображения используя метод createContext():

auto imgCtx = service->createContext();
  1. Прочитайте RGB-изображение из файла:
// read the image from file
std::string input_image_path = "<path_to_image>";
cv::Mat image = cv::imread(input_image_path, cv::IMREAD_COLOR);
cv::Mat input_image;
cv::cvtColor(image, input_image, cv::COLOR_BGR2RGB);
  1. a. Поместите изображение в контейнер ИЛИ
// using pbio::context_utils::putImage(Context& ctx, unsigned char* data, size_t height, size_t width, pbio::IRawImage::Format format, bool copy)
pbio::context_utils::putImage(imgCtx, input_image.data, input_image.rows, input_image.cols, pbio::IRawImage::FORMAT_RGB, true);
  1. b. ИЛИ скопируйте изображение из pbio::RawImage, pbio::CVRawImage, pbio::InternalImageBuffer в бинарный формат и положите его в контейнер Context:
// constructing pbio::RawImage
pbio::RawImage input_rawimg(input_image.cols, input_image.rows, pbio::RawImage::Format::FORMAT_RGB, input_image.data);
// using void putImage(Context& ctx, const RawImage& raw_image)
pbio::context_utils::putImage(imgCtx, input_rawimg);

Создание процессинг-блока#

В этом разделе описаны шаги по созданию любого процессинг блока. Для создания блока необходимо указать соответствующие значения для ключей unit_type и model_path (см. описание выбранного процессинг-блока).

  1. Создайте FacerecService.

  2. Создайте контейнер Context:

auto configCtx = service->createContext();
  1. Определите значения ключей контейнера Context, специфичных для выбранного процессинг-блока:
// обязательно, укажите имя процессинг-блока
configCtx["unit_type"] = "<name_of_processing_block>";
// обязательно, укажите путь до файла модели процессинг-блока
configCtx["model_path"] = "<path_to_model_file>";
// библиотека onnxruntime по умолчанию расположена в директории дистрибутива Face SDK: "lib" для платформы Linux или "bin" для платформы Windows
// вы можете задать ваш собственный путь до библиотеки onnxruntime
// если путь до библиотеки не указан, то будет использоваться стандартный порядок поиска, используемый в данной ОС
configCtx["ONNXRuntime"]["library_path"] = "../lib";
// опционально, значение "true" для ускорения процессинг-блоков на GPU (только для блоков с поддержкой CUDA)
configCtx["use_cuda"] = false;
  1. Создание процессинг-блока:
pbio::ProcessingBlock processing_block = service->createProcessingBlock(configCtx);

Ускорение на GPU#

Процессинг-блоки могут быть использованы с ускорением на GPU. Для этого необходимо определить ключ "use_cuda" со значением true для Context-контейнера блока обработчика (см. Создание процессинг-блока).

Последнее обновление