1. 车辆检测简介
车辆检测是一种基于深度学习的对人进行检测定位的目标检测,能广泛的用于园区管理、交通分析等多种场景,是违停识别、堵车识别、车流统计等多种算法的基石算法。
本车辆检测算法在数据集表现如下所示:
车辆检测算法 | mAP@0.5 |
CAR | 0.78029 |
基于EASY-EAI-Orin-nano硬件主板的运行效率:
算法种类 | 运行效率 |
car_detect | 59ms |
2. 快速上手
如果您初次阅读此文档,请阅读:《入门指南/源码管理及编程介绍/源码工程管理》,按需管理自己工程源码(注:此文档必看,并建议采用【远程挂载管理】方式,否则有代码丢失风险!!!)。
2.1 开源码工程下载
先在PC虚拟机定位到nfs服务目录,再在目录中创建存放源码仓库的管理目录:
cd ~/nfsroot
mkdir GitHub
cd GitHub
再通过git工具,在管理目录内克隆远程仓库(需要设备能对外网进行访问)
git clone https://github.com/EASY-EAI/EASY-EAI-Toolkit-3576.git
注:
* 此处可能会因网络原因造成卡顿,请耐心等待。
* 如果实在要在gitHub网页上下载,也要把整个仓库下载下来,不能单独下载本实例对应的目录。
2.2 开发环境搭建
通过adb shell进入板卡开发环境,如下图所示。
通过以下命令,把nfs目录挂载上nfs服务器。
mount -t nfs -o nolock <nfs server ip>:<nfs path in server> /home/orin-nano/Desktop/nfs/
2.3 例程编译
然后定位到板卡的nfs的挂载目录(按照实际挂载目录),进入到对应的例程目录执行编译操作,具体命令如下所示:
cd EASY-EAI-Toolkit-3576/Demos/algorithm-car/
./build.sh
2.4 模型部署
要完成算法Demo的执行,需要先下载车辆检测算法模型。
百度网盘链接为:https://pan.baidu.com/s/1yePGJ4wnyNaKpddMLZB18w?pwd=1234 (提取码:1234 )。
同时需要把下载的车辆检测算法模型复制粘贴到Release/目录:
2.5 例程运行及效果
进入开发板Release目录,执行下方命令,运行示例程序:
cd Release/
./test-car_detect car_detect.model test.jpg
运行例程命令如下所示:
结果图片如下所示:
API的详细说明,以及API的调用(本例程源码),详细信息见下方说明。
3. 车辆检测API说明
3.1 引用方式
为方便客户在本地工程中直接调用我们的EASY EAI api库,此处列出工程中需要链接的库以及头文件等,方便用户直接添加。
选项 | 描述 |
头文件目录 | easyeai-api/algorithm/car_detect |
库文件目录 | easyeai-api/algorithm/car_detect |
库链接参数 | -lcar_detect |
3.2 车辆检测初始化函数
车辆检测初始化函数原型如下所示。
int car_detect_init(rknn_context *ctx, const char * path)
具体介绍如下所示。
函数名: car_detect_init() | |
头文件 | car_detect.h |
输入参数 | ctx:rknn_context句柄 |
输入参数 | path:算法模型的路径 |
返回值 | 成功返回:0 |
失败返回:-1 | |
注意事项 | 无 |
3.3 车辆检测运行函数
车辆检测运行函数car_detect_run原型如下所示。
int car_detect_run(rknn_context ctx, cv::Mat input_image, person_detect_result_group_t *detect_result_group)
具体介绍如下所示。
函数名:car_detect_run() | |
头文件 | car_detect.h |
输入参数 | ctx: rknn_context句柄 |
输入参数 | input_image:图像数据输入(cv::Mat是Opencv的类型) |
输出参数 | output_dets:目标检测框输出 |
返回值 | 成功返回:0 |
失败返回:-1 | |
注意事项 | 无 |
3.4 车辆检测释放函数
车辆检测释放函数原型如下所示。
int car_detect_release(rknn_context ctx)
具体介绍如下所示。
函数名:car_detect_release () | |
头文件 | car_detect.h |
输入参数 | ctx: rknn_context句柄 |
返回值 | 成功返回:0 |
失败返回:-1 | |
注意事项 | 注意事项 |
4. 车辆检测算法例程
例程目录为Demos/algorithm-car/test-car_detect.cpp,操作流程如下。
参考例程如下所示。
#include <opencv2/opencv.hpp>
#include <stdio.h>
#include <sys/time.h>
#include "car_detect.h"
using namespace cv;
using namespace std;
static Scalar colorArray[10]={
Scalar(255, 0, 0, 255),
Scalar(0, 255, 0, 255),
Scalar(0,0,139,255),
Scalar(0,100,0,255),
Scalar(139,139,0,255),
Scalar(209,206,0,255),
Scalar(0,127,255,255),
Scalar(139,61,72,255),
Scalar(0,255,0,255),
Scalar(255,0,0,255),
};
int plot_one_box(Mat src, int x1, int x2, int y1, int y2, char *label, char colour)
{
int tl = round(0.002 * (src.rows + src.cols) / 2) + 1;
rectangle(src, cv::Point(x1, y1), cv::Point(x2, y2), colorArray[(unsigned char)colour], 3);
int tf = max(tl -1, 1);
int base_line = 0;
cv::Size t_size = getTextSize(label, FONT_HERSHEY_SIMPLEX, (float)tl/3, tf, &base_line);
int x3 = x1 + t_size.width;
int y3 = y1 - t_size.height - 3;
rectangle(src, cv::Point(x1, y1), cv::Point(x3, y3), colorArray[(unsigned char)colour], -1);
putText(src, label, cv::Point(x1, y1 - 2), FONT_HERSHEY_SIMPLEX, (float)tl/3, cv::Scalar(255, 255, 255, 255), tf, 8);
return 0;
}
int main(int argc, char **argv)
{
if (argc != 3)
{
printf("%s <model_path> <image_path>\n", argv[0]);
return -1;
}
const char *model_path = argv[1];
const char *image_path = argv[2];
/* 参数初始化 */
detect_result_group_t detect_result_group;
/* 算法模型初始化 */
rknn_context ctx;
car_detect_init(&ctx, model_path);
/* 算法运行 */
cv::Mat src;
src = cv::imread(image_path, 1);
struct timeval start;
struct timeval end;
float time_use=0;
gettimeofday(&start,NULL);
car_detect_run(ctx, src, &detect_result_group);
gettimeofday(&end,NULL);
time_use=(end.tv_sec-start.tv_sec)*1000000+(end.tv_usec-start.tv_usec);//微秒
printf("time_use is %f\n",time_use/1000/10);
/* 算法结果在图像中画出并保存 */
// Draw Objects
char text[256];
for (int i = 0; i < detect_result_group.count; i++)
{
detect_result_t* det_result = &(detect_result_group.results[i]);
if( det_result->prop < 0.4)
{
continue;
}
sprintf(text, "%s %.1f%%", det_result->name, det_result->prop * 100);
printf("%s @ (%d %d %d %d) %f\n", det_result->name, det_result->box.left, det_result->box.top,
det_result->box.right, det_result->box.bottom, det_result->prop);
int x1 = det_result->box.left;
int y1 = det_result->box.top;
int x2 = det_result->box.right;
int y2 = det_result->box.bottom;
/*
rectangle(src, cv::Point(x1, y1), cv::Point(x2, y2), cv::Scalar(255, 0, 0, 255), 3);
putText(src, text, cv::Point(x1, y1 + 12), cv::FONT_HERSHEY_SIMPLEX, 0.5, cv::Scalar(0, 0, 0));
*/
plot_one_box(src, x1, x2, y1, y2, text, i%10);
}
cv::imwrite("result.jpg", src);
/* 算法模型空间释放 */
car_detect_release(ctx);
return 0;
}