演示ssd测试软件

OpenVINO工具套件入门指南操作步骤指南资源性能信息API参考资源概述示例图像分类C++示例异步图像分类Python*示例异步Hello分类C++示例图像分类Python*示例HelloReshapeSSDC++示例HelloNV12输入分类C++示例Hello查询设备C++示例Hello查询设备Python*示例对象检测C++示例SSD对象检测Python*示例SSD自动语音识别C++示例神经风格迁移C++示例神经风格迁移Python*示例性能指标评测C++应用性能指标评测Python*应用演示十字路口摄像头演示交互式面部检测C++演示交互式人脸识别Python*演示TensorFlow*对象检测MaskR-CNN分割演示多通道演示多通道面部检测C++演示多通道人体姿态估计C++演示多通道对象检测YOLO*V3C++演示使用FasterR-CNN的对象检测演示面向CenterNetPython*的对象检测演示对象检测SSDC++演示,异步API性能展示对象检测SSDPython*演示,异步API性能展示安全障碍摄像头演示图像分割C++演示单个人体姿态估计Python*演示图像分割Python*演示智能课堂演示文本检测演示文本辨认Python*演示视线预估演示人体姿态估计演示3D人体姿态估计Python*演示行人追踪器演示超高分辨率演示对象检测YOLO*V3C++演示,异步API性能展示对象检测YOLO*V3Python*演示,异步API性能展示动作识别演示实例分割演示3D分割演示图像检索Python*演示多通道多人追踪Python*演示语音库与语音识别演示语音库离线语音识别演示现场语音识别演示Kaldi*统计语言模型转换工具工具精度检查器工具精度检查器示例配置Caffe*启动程序配置OpenVINO启动程序配置OpenCV*启动程序配置MxNet*启动程序配置TensorFlow*启动程序配置TensorFlow*Lite启动程序配置ONNX*Runtime启动程序配置*PyTorch启动程序适配器注释转换器预处理程序后处理程序指标面向精度检查器的定制评估器阅读器Caffe*安装技巧训练后优化量化DefaultQuantization算法AccuracyAwareQuantization算法使用训练后优化工具套件API定义配置文件配置文件示例模型下载器交叉检查工具编译工具预训练模型(开放式ModelZoo)对象检测模型face-detection-adas-0001face-detection-adas-binary-0001face-detection-retail-0004face-detection-retail-0005person-detection-retail-0002person-detection-retail-0013person-detection-action-recognition-0005person-detection-action-recognition-0006person-detection-action-recognition-teacher-0002person-detection-raisinghand-recognition-0001person-detection-asl-0001pedestrian-detection-adas-0002pedestrian-detection-adas-binary-0001pedestrian-and-vehicle-detector-adas-0001vehicle-detection-adas-0002vehicle-detection-adas-binary-0001person-vehicle-bike-detection-crossroad-0078person-vehicle-bike-detection-crossroad-1016product-detection-0001vehicle-license-plate-detection-barrier-0106对象识别模型age-gender-recognition-retail-0013head-pose-estimation-adas-0001asl-recognition-0003license-plate-recognition-barrier-0001vehicle-attributes-recognition-barrier-0039emotions-recognition-retail-0003landmarks-regression-retail-0009facial-landmarks-35-adas-0002person-attributes-recognition-crossroad-0230gaze-estimation-adas-0002重识别模型person-reidentification-retail-0031person-reidentification-retail-0103person-reidentification-retail-0107person-reidentification-retail-0200face-reidentification-retail-0095语义分割模型road-segmentation-adas-0001semantic-segmentation-adas-0001实例分割模型instance-segmentation-security-0050instance-segmentation-security-0083instance-segmentation-security-0010人体姿态估计模型human-pose-estimation-0001图像处理single-image-super-resolution-1032single-image-super-resolution-1033text-image-super-resolution-0001文本检测text-detection-0003text-detection-0004文本识别text-recognition-0012handwritten-score-recognition-0003文本辨认text-spotting-0001-detectortext-spotting-0001-recognizer-decodertext-spotting-0001-recognizer-encoder动作识别模型driver-action-recognition-adas-0002-encoderdriver-action-recognition-adas-0002-decoderaction-recognition-0001-encoderaction-recognition-0001-decoder图像检索image-retrieval-0001压缩模型resnet18-xnor-binary-onnx-0001resnet50-binary-0001resnet18-xnor-binary-onnx-0001人体姿态估计C++演示本文档操作步骤运行演示输出另请参阅该演示展示了多人2D姿态估计算法的操作步骤.
任务是预测输入视频中每个人的姿态:人体骨骼,包含关键点和关键点之间的连接.
姿态可能包含多达18个关键点:耳朵、眼睛、鼻子、颈部、肩部、肘部、腕部、臀部、膝盖和脚踝.
该算法的潜在用例包括动作识别和行为理解.
您可以使用以下预训练模型运行演示:human-pose-estimation-0001,一种人体姿态估计网络,可生成两个特征向量.
该算法使用这两个特征向量预测人体姿态.
有关预训练模型的更多信息,请参阅模型文档.
输入帧高度按比例调整为模型高度,帧宽度也进行了相应的调整,以保留初始宽高比,并将其填充为8的倍数.
其他演示的目标为:通过OpenCV*将视频/摄像头用作输入实现所有预测姿态的可视化操作步骤启动时,应用读取命令行参数并加载人体姿态估计模型.
通过OpenCVVideoCapture获得帧后,应用执行人体姿态估计算法并显示结果.
注:默认情况下,OpenModelZoo演示希望输入采用BGR通道顺序.
如果经过训练的模型采用RGB顺序,您需要手动重新排列演示应用中的默认通道顺序,或者使用模型优化器工具(指定--reverse_input_channels参数)重新转换模型.
有关参数的更多信息,请参阅"何时反转输入通道顺序"一节,该节使用通用转换参数转换模型.
运行使用-h选项运行应用可生成下列使用信息:1.
/human_pose_estimation_demo–h2.
InferenceEngine:3.
APIversionversion>4Buildnumber>56human_pose_estimation_demo[OPTION]7Options:89-hPrintausagemessage.
10-i""Required.
Pathtoavideo.
Defaultvalueis"cam"toworkwithcamera.
11-m""Required.
PathtotheHumanPoseEstimationmodel(.
xml)file.
12-d""Optional.
SpecifythetargetdeviceforHumanPoseEstimation(thelistofavailabledevicesisshownbelow).
DefaultvalueisCPU.
Use"-dHETERO:"formattospecifyHETEROplugin.
Theapplicationlooksforasuitablepluginforthespecifieddevice.
13-pcOptional.
Enableper-layerperformancereport.
14-no_showOptional.
Donotshowprocessedvideo.
15-blackOptional.
Showblackbackground.
16-rOptional.
Outputinferenceresultsasrawvalues.
17-uOptional.
Listofmonitorstoshowinitially.
使用空选项列表运行应用程序可生成一条错误消息.
如欲运行演示,您可以使用公共或预训练模型.
如欲下载预训练模型,请使用OpenVINO模型下载器或访问https://download.
01.
org/opencv/.
注:使用经过训练的模型运行演示之前,请确保已使用模型优化器工具将模型转换为推理引擎格式(*.
xml+*.
bin).
例如,若要在CPU上执行推理,请运行以下命令:1.
/human_pose_estimation_demo-i/input_video.
mp4-m/human-pose-estimation-0001.
xml-dCPU演示输出该演示使用OpenCV显示包含预测姿态的帧和人体姿态估计演示的FPS-每秒帧数性能文本报告.
注:在VPU设备(英特尔Movidius神经计算棒、英特尔神经计算棒2和采用英特尔MovidiusVPU的英特尔视觉加速器设计)上,该演示在以下可用的模型下载器拓扑上进行了测试:>*human-pose-estimation-0001其他模型可能在这些设备上产生意想不到的结果.
另请参阅使用OpenModelZoo演示模型优化器模型下载器有关编译器优化的更多完整信息,请参阅我们的优化声明支持英特尔OpenVINO工具套件分发版的英特尔开发人员专区论坛Cookie英特尔Cookie和类似技术声明