deeplabv3p_xception65_humanseg

deeplabv3p_xception65_humanseg

模型名称	deeplabv3p_xception65_humanseg
类别	图像-图像分割
网络	deeplabv3p
数据集	百度自建数据集
是否支持Fine-tuning	否
模型大小	162MB
指标	-
最新更新日期	2021-02-26

一、模型基本信息

• 应用效果展示

  • 样例结果示例：

    

• 模型介绍

  • DeepLabv3+使用百度自建数据集进行训练，可用于人像分割，支持任意大小的图片输入。

• 更多详情请参考：deeplabv3p

二、安装

• 1、环境依赖

  • paddlepaddle >= 2.0.0

  • paddlehub >= 2.0.0

• 2、安装

  • $ hub install deeplabv3p_xception65_humanseg

  • 如您安装时遇到问题，可参考：零基础windows安装 | 零基础Linux安装 | 零基础MacOS安装

三、模型API预测

• 1.命令行预测

  hub run deeplabv3p_xception65_humanseg --input_path "/PATH/TO/IMAGE"

• 2.预测代码示例

  import paddlehub as hub
  import cv2
  
  human_seg = hub.Module(name="deeplabv3p_xception65_humanseg")
  result = human_seg.segmentation(images=[cv2.imread('/PATH/TO/IMAGE')])

• 3.API

  def segmentation(images=None,
                   paths=None,
                   batch_size=1,
                   use_gpu=False,
                   visualization=False,
                   output_dir='humanseg_output')

  • 预测API，用于人像分割。

  • 参数

    • images (list[numpy.ndarray]): 图片数据，ndarray.shape 为 [H, W, C]，BGR格式；
    • paths (list[str]): 图片的路径；
    • batch_size (int): batch 的大小；
    • use_gpu (bool): 是否使用 GPU；
    • visualization (bool): 是否将识别结果保存为图片文件；
    • output_dir (str): 图片的保存路径。

  • 返回

    • res (list[dict]): 识别结果的列表，列表中每一个元素为 dict，关键字有 'save_path', 'data'，对应的取值为：
    • save_path (str, optional): 可视化图片的保存路径（仅当visualization=True时存在）；
    • data (numpy.ndarray): 人像分割结果，仅包含Alpha通道，取值为0-255 (0为全透明，255为不透明)，也即取值越大的像素点越可能为人体，取值越小的像素点越可能为背景。

  def save_inference_model(dirname)

  • 将模型保存到指定路径。

  • 参数

    • dirname: 模型保存路径

四、服务部署

• PaddleHub Serving可以部署一个人像分割的在线服务。

• 第一步：启动PaddleHub Serving

  • 运行启动命令：

    $ hub serving start -m deeplabv3p_xception65_humanseg

    • 这样就完成了一个人像分割的服务化API的部署，默认端口号为8866。

    • NOTE: 如使用GPU预测，则需要在启动服务之前，设置CUDA_VISIBLE_DEVICES环境变量，否则不用设置。

• 第二步：发送预测请求

  • 配置好服务端，以下数行代码即可实现发送预测请求，获取预测结果

  • import requests
    import json
    import cv2
    import base64
    import numpy as np
    
    
    def cv2_to_base64(image):
        data = cv2.imencode('.jpg', image)[1]
        return base64.b64encode(data.tostring()).decode('utf8')
    
    
    def base64_to_cv2(b64str):
        data = base64.b64decode(b64str.encode('utf8'))
        data = np.fromstring(data, np.uint8)
        data = cv2.imdecode(data, cv2.IMREAD_COLOR)
        return data
    
    org_im = cv2.imread("/PATH/TO/IMAGE")
    # 发送HTTP请求
    data = {'images':[cv2_to_base64(org_im)]}
    headers = {"Content-type": "application/json"}
    url = "http://127.0.0.1:8866/predict/deeplabv3p_xception65_humanseg"
    r = requests.post(url=url, headers=headers, data=json.dumps(data))# 保存图片
    mask =cv2.cvtColor(base64_to_cv2(r.json()["results"][0]['data']), cv2.COLOR_BGR2GRAY)
    rgba = np.concatenate((org_im, np.expand_dims(mask, axis=2)), axis=2)
    cv2.imwrite("segment_human_server.png", rgba)

五、更新历史

• 1.0.0

  初始发布

• 1.1.0

  提升预测性能

• 1.1.1

  修复预测后处理图像数据超过[0,255]范围

• 1.2.0

  移除 fluid api

  • $ hub install deeplabv3p_xception65_humanseg==1.2.0