openpose内部输出


  1. for(int i =0;i<4;i++)  
  2. {  
  3.    std::cout<<((spCaffeNetOutputBlob.get())->shape())[i]<<std::endl;  
  4. }  
  5.        
  6. int shape2 = ((spCaffeNetOutputBlob.get())->shape())[2];  
  7. int shape3 = ((spCaffeNetOutputBlob.get())->shape())[3];  
  8. ((spCaffeNetOutputBlob.get())->cpu_data());  
  9. const float* t = ((spCaffeNetOutputBlob.get())->cpu_data());  
  10. //std::cout<<sizeof(t)<<std::endl;  
  11. //std::cout<<((spCaffeNetOutputBlob.get())->count())<<std::endl;  
  12. ofstream file;  
  13. file.open("/home/zhoulu/data/txt/file.txt");  
  14. int lulu=0;  
  15. for(int kk=0;kk<(spCaffeNetOutputBlob.get())->count();kk++)  
  16. {  
  17.     //lulu = lulu+1;  
  18.     //std:cout<<lulu<<std::endl;  
  19.     //std::cout<<((spCaffeNetOutputBlob.get())->count())<<std::endl;  
  20.     //std:cout<<((spCaffeNetOutputBlob.get())->cpu_data())[kk]<<std::endl;  
  21.     file<<((spCaffeNetOutputBlob.get())->cpu_data())[kk]<<'\n';  
  22.  }  
  23. file.close();  
for(int i =0;i<4;i++)
{
   std::cout<<((spCaffeNetOutputBlob.get())->shape())[i]<<std::endl;
}
     
int shape2 = ((spCaffeNetOutputBlob.get())->shape())[2];
int shape3 = ((spCaffeNetOutputBlob.get())->shape())[3];
((spCaffeNetOutputBlob.get())->cpu_data());
const float* t = ((spCaffeNetOutputBlob.get())->cpu_data());
//std::cout<<sizeof(t)<<std::endl;
//std::cout<<((spCaffeNetOutputBlob.get())->count())<<std::endl;
ofstream file;
file.open("/home/zhoulu/data/txt/file.txt");
int lulu=0;
for(int kk=0;kk<(spCaffeNetOutputBlob.get())->count();kk++)
{
    //lulu = lulu+1;
    //std:cout<<lulu<<std::endl;
    //std::cout<<((spCaffeNetOutputBlob.get())->count())<<std::endl;
    //std:cout<<((spCaffeNetOutputBlob.get())->cpu_data())[kk]<<std::endl;
    file<<((spCaffeNetOutputBlob.get())->cpu_data())[kk]<<'\n';
 }
file.close();

spCaffeNetOutputBlob是由spCaffeNetOutputBlob = ((NetCaffe*)spNet.get())->getOutputBlob()获得的,作为

  1. spResizeAndMergeCaffe->Forward_gpu({spCaffeNetOutputBlob.get()}, {spHeatMapsBlob.get()});  
spResizeAndMergeCaffe->Forward_gpu({spCaffeNetOutputBlob.get()}, {spHeatMapsBlob.get()});
的输入参数,其中

  1. boost::shared_ptr<caffe::Blob<float>> NetCaffe::getOutputBlob() const  
boost::shared_ptr<caffe::Blob<float>> NetCaffe::getOutputBlob() const
NetCaffe::getOutputBlob()返回的是boost::shared_ptr指针,所以 spCaffeNetOutputBlob是这样的一个指针,为了获得普通的c指针,通过get()函数来获得

这样就会获得指向caffe::Blob<blob>的一个指针,然后调用blob的shape()函数,即可输出openpose网络输出的大小。调用count()就是BxCxHxW的大小

要输出所有map的值,因为他们是以一维数组存储的,所以需要遍历,但是以一维形式调用

  1. std:cout<<((spCaffeNetOutputBlob.get())->cpu_data())[kk]<<std::endl;  
std:cout<<((spCaffeNetOutputBlob.get())->cpu_data())[kk]<<std::endl;

用文件流写入文件中,方便查看
### OpenPose 骨骼检测使用教程 #### 安装依赖库 为了能够在本地环境中运行OpenPose,需要安装一系列必要的依赖项。这通常包括CMake、CUDA(如果使用GPU加速)、cuDNN以及其他支持库。 对于Windows环境下的Python项目来说,可以利用预编译好的二进制文件来简化安装过程[^3]。而对于像树莓派这样的嵌入式设备,则可能需要针对特定硬件做更多优化工作以确保性能满足需求[^2]。 #### 初始化设置 当完成上述准备工作之后,下一步就是下载并配置OpenPose源码或者官方提供的可执行版本。如果是采用API方式进行调用的话,还需要注册Replicate账号获取相应的访问令牌用于后续操作[^1]。 #### 编写代码逻辑 下面给出一段简单的Python脚本作为示例,展示了如何加载图像数据并通过OpenPose模型得到人体骨架信息: ```python import cv2 from openpose import pyopenpose as op # 设置参数 params = dict() params["model_folder"] = "path/to/openpose/models/" # 启动OpenPose Wrapper opWrapper = op.WrapperPython() opWrapper.configure(params) opWrapper.start() # 准备输入图片 imageToProcess = cv2.imread("your_image.jpg") # 创建Datum对象存储处理前后数据 datum = op.Datum() datum.cvInputData = imageToProcess # 执行推理获得输出结果 opWrapper.emplaceAndPop(op.VectorDatum([datum])) # 显示带有标注的人体结构图 cv2.imshow("OpenPose Result", datum.cvOutputData) cv2.waitKey(0) # 清理资源释放内存空间 del opWrapper, datum ``` 这段程序首先定义了一些基本配置选项,接着初始化了一个`WrapperPython()`实例用来管理整个流程;随后读取了一张测试照片送入到算法内部进行分析;最后把经过标记后的视觉效果呈现给用户查看。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值