mianfeng / mtmct

利用飞桨的Paddle_inference库以及C++的api转化为C++的版本部署在服务器上

Linux平台编译指南

说明

基于飞桨的C++预测库进行的跨镜头跟踪项目,以预先存入待检测目标照片的方式进行跨镜头跟踪,目前支持两路rtsp流。

一些思考

目前这种方法实际上是一种偷懒的跨镜头跟踪方法，无法对镜头中的每一个人物进行跟踪。但如果要达到实时跨镜头的效果，目前尝试过的方法是将每个镜头所有出现过的人物特征存储起来，然后进行对比。但效果不是很好

前置条件

• G++ 8.2(实测G++版本11.4也可)
• CUDA 9.0 / CUDA 10.1, cudnn 7+ （实测环境cuda11.7）
• CMake 3.0+

请确保系统已经安装好上述基本软件，下面所有示例以工作目录为 /root/projects/演示。

所需库与环境

• SPDLOG (主要习惯于用这个输出信息)
• opencv (注意编译版本的匹配)

主要目录和文件

mtmct/
|
├── src
│   ├── main.cc # 集成代码示例, 程序入口
│   ├── object_detector.cc # 模型加载和预测主要逻辑封装类实现
│   └── preprocess_op.cc # 预处理相关主要逻辑封装实现
|
├── include
│   ├── config_parser.h # 导出模型配置yaml文件解析
│   ├── object_detector.h # 模型加载和预测主要逻辑封装类
│   └── preprocess_op.h # 预处理相关主要逻辑类封装
|
│
├── build.sh # 编译命令脚本
│
├── CMakeList.txt # cmake编译入口文件
|
├── CMakeSettings.json # Visual Studio 2019 CMake项目编译设置
│
└── cmake # 依赖的外部项目cmake（目前仅有yaml-cpp）

Step1: 下载PaddlePaddle C++ 预测库 paddle_inference

PaddlePaddle C++ 预测库针对不同的CPU和CUDA版本提供了不同的预编译版本，请根据实际情况下载: C++预测库下载列表

下载并解压后/root/projects/paddle_inference目录包含内容为：

paddle_inference
├── paddle # paddle核心库和头文件
|
├── third_party # 第三方依赖库和头文件
|
└── version.txt # 版本和编译信息

注意: 预编译版本除nv-jetson-cuda10-cudnn7.5-trt5 以外其它包都是基于GCC 4.8.5编译，使用高版本GCC可能存在 ABI兼容性问题，建议降级或自行编译预测库。

Step2: 编译

编译cmake的命令在build.sh中，请根据实际情况修改主要参数，其主要内容说明如下(因为主要实现跨镜头算,其余功能未开启)：

# 是否使用GPU(即是否使用 CUDA)
WITH_GPU=OFF

# 使用MKL or openblas
WITH_MKL=ON

# 是否集成 TensorRT(仅WITH_GPU=ON 有效)
WITH_TENSORRT=OFF

# TensorRT 的include路径
TENSORRT_LIB_DIR=/path/to/TensorRT/include

# TensorRT 的lib路径
TENSORRT_LIB_DIR=/path/to/TensorRT/lib

# Paddle 预测库路径
PADDLE_DIR=/path/to/paddle_inference

# Paddle 预测库名称
PADDLE_LIB_NAME=paddle_inference

# CUDA 的 lib 路径
CUDA_LIB=/path/to/cuda/lib

# CUDNN 的 lib 路径
CUDNN_LIB=/path/to/cudnn/lib

# 是否开启关键点模型预测功能
WITH_KEYPOINT=ON

# 请检查以上各个路径是否正确

# 以下无需改动
cmake .. \
    -DWITH_GPU=${WITH_GPU} \
    -DWITH_MKL=${WITH_MKL} \
    -DWITH_TENSORRT=${WITH_TENSORRT} \
    -DTENSORRT_LIB_DIR=${TENSORRT_LIB_DIR} \
    -DTENSORRT_INC_DIR=${TENSORRT_INC_DIR} \
    -DPADDLE_DIR=${PADDLE_DIR} \
    -DCUDA_LIB=${CUDA_LIB} \
    -DCUDNN_LIB=${CUDNN_LIB} \
    -DOPENCV_DIR=${OPENCV_DIR} \
    -DPADDLE_LIB_NAME=${PADDLE_LIB_NAME} \
    -DWITH_KEYPOINT=${WITH_KEYPOINT}
make

修改脚本设置好主要参数后，执行build脚本：

sh ./scripts/build.sh

注意: OPENCV依赖OPENBLAS，Ubuntu用户需确认系统是否已存在libopenblas.so。如未安装，可执行apt-get install libopenblas-dev进行安装。可能有些库需要复制至运行目录

Step4: 预测及可视化

编译成功后，预测入口程序为build/main其主要命令参数说明如下：

参数	说明
--model_dir	导出的检测预测模型所在路径
--model_dir_keypoint	Option
--image_file	要预测的图片文件路径
--image_dir	要预测的图片文件夹路径
--video_file	要预测的视频文件路径
--camera_id	Option
--device	运行时的设备，可选择CPU/GPU/XPU，默认为CPU
--gpu_id	指定进行推理的GPU device id(默认值为0)
--run_mode	使用GPU时，默认为paddle, 可选（paddle/trt_fp32/trt_fp16/trt_int8）
--batch_size	检测模型预测时的batch size，在指定image_dir时有效
--batch_size_keypoint	关键点模型预测时的batch size，默认为8
--run_benchmark	是否重复预测来进行benchmark测速 ｜
--output_dir	输出图片所在的文件夹, 默认为output ｜
--use_mkldnn	CPU预测中是否开启MKLDNN加速
--cpu_threads	设置cpu线程数，默认为1
--use_dark	关键点模型输出预测是否使用DarkPose后处理，默认为true

注意:

• 优先级顺序：camera_id > video_file > image_dir > image_file。
• --run_benchmark如果设置为True，则需要安装依赖pip install pynvml psutil GPUtil。

样例一：

#使用 `GPU`预测
./build/main --model_dir=./mot_ppyoloe_s_36e_pipeline --model_dir_reid=./reid_model --video_file='rtsp://admin:[email protected]:554/cam/realmonitor?channel=1&subtype=0' --device=GPU

api以及使用说明可以参见飞桨文档

mtmct's Issues

缺少jde_detector.cc文件