AIAS/1_image_sdks/crowd_sdk

官网：

官网链接

下载模型

• 链接: https://pan.baidu.com/s/1aFIcYOE2uzlmQFWEJopBoQ?pwd=svvt

模型使用方法：

• 1. 用模型的名字搜索代码，找到模型的加载位置
• 2. 然后更新模型路径（代码里默认加载路径是：项目/models 文件夹）
• 3. 具体模型加载方法
• http://aias.top/AIAS/guides/load_model.html

人群密度检测 SDK

CrowdNet模型是2016年提出的人流密度估计模型，论文为《CrowdNet: A Deep Convolutional Network for DenseCrowd Counting》， CrowdNet模型主要有深层卷积神经网络和浅层卷积神经组成，通过输入原始图像和高斯滤波器得到的密度图进行训练，最终得到的模型估计图像中的行人的数量。 当然这不仅仅可以用于人流密度估计，理论上其他的动物等等的密度估计应该也可以。

以下是CrowdNet模型的结构图，从结构图中可以看出，CrowdNet模型是深层卷积网络（Deep Network）和浅层卷积网络（Shallow Network）组成， 两组网络通过拼接成一个网络，接着输入到一个卷积核数量和大小都是1的卷积层，最后通过插值方式得到一个密度图数据，通过统计这个密度就可以得到估计人数。

sdk功能：

• 统计人数
• 计算密度图

运行例子 - CrowdDetectExample

• 测试图片

• 例子代码：

    Path imageFile = Paths.get("src/test/resources/crowd1.jpg");
    Image image = ImageFactory.getInstance().fromFile(imageFile);

    Criteria<Image, NDList> criteria = new CrowdDetect().criteria();

    try (ZooModel model = ModelZoo.loadModel(criteria);
        Predictor<Image, NDList> predictor = model.newPredictor()) {
      NDList list = predictor.predict(image);

      //quantity为人数
      float q = list.get(1).toFloatArray()[0];
      int quantity = (int)(Math.abs(q) + 0.5);
      logger.info("人数 quantity: {}", quantity);
      
      // density为密度图
      NDArray densityArray = list.get(0);
      logger.info("密度图 density: {}", densityArray.toDebugString(1000000000, 1000, 1000, 1000));

• 运行成功后，命令行应该看到下面的信息:

[INFO ] - 人数 quantity: 11

[INFO ] - 密度图 density: ND: (1, 1, 80, 60) cpu() float32
[  
   [ 4.56512964e-04,  2.19504116e-04,  3.44428350e-04,  ..., -1.44560239e-04,  1.58709008e-04],
   [ 9.59073077e-05,  2.53924576e-04,  2.51444580e-04,  ..., -1.64886122e-04,  1.14555296e-04],
   [ 6.42040512e-04,  5.44962648e-04,  4.95903892e-04,  ..., -1.15299714e-04,  3.01052118e-04],
   [ 1.58930803e-03,  1.43694575e-03,  7.95312808e-04,  ...,  1.44582940e-04,  4.20258410e-04],
    ....
   [ 2.21548311e-04,  2.92199198e-04,  3.05847381e-04,  ...,  6.77200791e-04,  2.88001203e-04],
   [ 5.04880096e-04,  2.36357562e-04,  1.90203893e-04,  ...,  8.42695648e-04,  2.92608514e-04],
   [ 1.45231024e-04,  1.56763941e-04,  2.12623156e-04,  ...,  4.69507067e-04,  1.36347953e-04],
   [ 5.02332812e-04,  2.98928004e-04,  3.34762561e-04,  ...,  4.80025599e-04,  2.72601028e-04],
]

密度图

开源算法

1. sdk使用的开源算法

• PaddlePaddle-CrowdNet

2. 模型如何导出 ?

• how_to_create_paddlepaddle_model
• export_model.py

import paddle
import paddle.fluid as fluid

INFER_MODEL = 'infer_model/'

def save_pretrained(dirname='infer/', model_filename=None, params_filename=None, combined=True):
if combined:
model_filename = "__model__" if not model_filename else model_filename
params_filename = "__params__" if not params_filename else params_filename
place = fluid.CPUPlace()
exe = fluid.Executor(place)

    program, feeded_var_names, target_vars = fluid.io.load_inference_model(INFER_MODEL, executor=exe)

    fluid.io.save_inference_model(
        dirname=dirname,
        main_program=program,
        executor=exe,
        feeded_var_names=feeded_var_names,
        target_vars=target_vars,
        model_filename=model_filename,
        params_filename=params_filename)


if __name__ == '__main__':
paddle.enable_static()
save_pretrained()

Git地址：

Github链接
Gitee链接

帮助文档：

• http://aias.top/guides.html
• 1.性能优化常见问题:
• http://aias.top/AIAS/guides/performance.html
• 2.引擎配置（包括CPU，GPU在线自动加载，及本地配置）:
• http://aias.top/AIAS/guides/engine_config.html
• 3.模型加载方式（在线自动加载，及本地配置）:
• http://aias.top/AIAS/guides/load_model.html
• 4.Windows环境常见问题:
• http://aias.top/AIAS/guides/windows.html