基于C# 和OpenVINO部署飞桨PP-Human_上篇

作者：杨雪锋 英特尔物联网行业创新大使

目录

1.1 飞桨实时行人分析工具PP-Human

1.1.1  PP-Human技术架构

1.1.2 构建C#开发环境

1.1.3 项目完整代码已开源

1.2 C#中调用OpenVINO实现

1.2.1 构建OpenVINO动态链接库

1.2.2 在C#中引入动态链接库文件

1.2.3 C#构建Core类

        本文将详细介绍基于OpenVINOTM工具包，在C#语言下，部署飞桨PP-Human的全流程，帮助开发者快速掌握并部署产业级AI人体分析解决方案。

1.1 飞桨实时行人分析工具PP-Human

        PP-Human是飞桨目标检测套件PaddleDetection中开源的实时行人分析工具，提供了五大异常行为识别和四大产业级功能：人体属性分析、人流计数、跨镜ReID，如下图所示：

图 1-1  PP-Human v2全功能全景图

1.1.1  PP-Human技术架构

        PP-Human支持单张图片、图片文件夹单镜头视频和多镜头视频输入，经目标检测以及特征关联，实现属性识别、关键点检测、轨迹/流量计数以及行为识别等功能，如下图所示。本文将以行人摔倒识别为例，基于OpenVINOTM进行多种模型联合部署。

 图 1-2 PP-Human技术架构

1.1.2 构建C#开发环境

        为了防止复现代码出现问题，列出以下代码开发环境，可以根据自己需求设置，注意OpenVINOTM一定是2022版本，其他依赖项可以根据自己的设置修改。

• 操作系统：Windows 11
• OpenVINOTM：2022.3
• OpenCV：4.5.5
• Visual Studio：2022 Community
• C#框架：.NET 6.0
• OpenCvSharp：OpenCvSharp4

1.1.3 项目完整代码已开源

        项目所涉及的源码已在Gitee上开源，直接克隆到本地即可使用：

git clone https://github.com/guojin-yan/Csharp_and_OpenVINO_deploy_PP-Human.git 

1.2 C#中调用OpenVINO实现

1.2.1 构建OpenVINO动态链接库

        由于OpenVINOTM只有C++和Python接口，无法直接在C#中使用OpenVINOTM部署模型，为了实现在C#中使用，通过动态链接库的方式实现。具体教程参考《在C#中调用OpenVINO™ 模型》。

1.2.2 在C#中引入动态链接库文件

        在C#中需要使用[DllImport()]方法引入动态链接库文件，其完整的使用方式如以下代码所示：

[DllImport(openvino_dll_path, CharSet = CharSet.Unicode, CallingConvention = CallingConvention.Cdecl)]

public extern static IntPtr set_input_image_sharp(IntPtr inference_engine, string input_node_name, ref ulong input_size);

针对[DllImport()]括号中的内容：

• openvino_dll_path为dll文件路径
• CharSet = CharSet.Unicode代表支持中文编码格式字符串
• CallingConvention = CallingConvention.Cdecl指示入口点的调用约定为调用方清理堆栈

        在声明动态链接库后，就可以引入动态链接库中的方法，由于我们在C++环境下生成的动态链接库，为了让编译器识别，需要方法名、变量类型一一对应，才可以引入成功：

表 1 C++与C#方法对应关系

        基于以上方法，我们将动态链接库中的所有方法引入到C#中。

1.2.3 C#构建Core类

        上一步我们引入了封装的OpenVINOTM动态链接库，为了更方便的使用，将其封装到Core类中。在不同方法之间，主要通过推理核心结构体指针在各个方法之间传递，在C#是没有指针这个说法的，不过可以通过IntPtr结构体来接收这个指针，为了防止该指针被篡改，将其封装在类中作为私有成员使用。

        根据模型推理的步骤，构建模型推理类：

（1）构造函数

        public Core(string model_file, string device_name){

            // 初始化推理核心

            ptr = NativeMethods.core_init(model_file, device_name);

        }

        在该方法中，主要是调用推理核心初始化方法，初始化推理核心，读取本地模型，将模型加载到设备、创建推理请求等模型推理步骤。

（2）设置模型输入形状

      // @brief 设置推理模型的输入节点的大小

        // @param input_node_name 输入节点名

        // @param input_size 输入形状大小数组

        public void set_input_sharp(string input_node_name, ulong[] input_size) {

            // 获取输入数组长度

            int length = input_size.Length;

            if (length == 4) {

                // 长度为4，判断为设置图片输入的输入参数，调用设置图片形状方法

                ptr = NativeMethods.set_input_image_sharp(ptr, input_node_name, ref input_size[0]);

            }

            else if (length == 2) {

                // 长度为2，判断为设置普通数据输入的输入参数，调用设置普通数据形状方法

                ptr = NativeMethods.set_input_data_sharp(ptr, input_node_name, ref input_size[0]);

            }

            else {

                // 为防止输入发生异常，直接返回

                return;

            }

        }

OpenVINOTM 2022.3支持模型动态输入，读入模型可以不固定输入大小，在使用时固定模型的输入大小，并且可以随时修改输入形状。当前设置情况下，至此设置二维、以及四维的输入形状，在当前模型中足够使用。

（3）加载推理数据

  // @brief 加载推理数据

        // @param input_node_name 输入节点名

        // @param input_data 输入数据数组

        public void load_input_data(string input_node_name, float[] input_data) {

            ptr = NativeMethods.load_input_data(ptr, input_node_name, ref input_data[0]);

        }

        // @brief 加载图片推理数据

        // @param input_node_name 输入节点名

        // @param image_data 图片矩阵

        // @param image_size 图片矩阵长度

        public void load_input_data(string input_node_name, byte[] image_data, ulong image_size, int type) {

            ptr = NativeMethods.load_image_input_data(ptr, input_node_name, ref image_data[0], image_size, type);

        }

        加载推理数据主要包含图片数据和普通的矩阵数据，其中对于图片的预处理，也已经在C++中进行封装，保证了图片数据在传输中的稳定性。

（5）模型推理

        // @brief 模型推理

        public void infer() {

            ptr = NativeMethods.core_infer(ptr);

        }

（6）读取推理结果数据 

       // @brief 读取推理结果数据

        // @param output_node_name 输出节点名

        // @param data_size 输出数据长度

        // @return 推理结果数组

        public T[] read_infer_result<T>(string output_node_name, int data_size) {

            // 获取设定类型

            string t = typeof(T).ToString();

            // 新建返回值数组

            T[] result = new T[data_size];

            if (t == "System.Int32") { // 读取数据类型为整形数据

                int[] inference_result = new int[data_size];

                NativeMethods.read_infer_result_I32(ptr, output_node_name, data_size, ref inference_result[0]);

                result = (T[])Convert.ChangeType(inference_result, typeof(T[]));

                return result;

            }

            else { // 读取数据类型为浮点型数据

                float[] inference_result = new float[data_size];

                NativeMethods.read_infer_result_F32(ptr, output_node_name, data_size, ref inference_result[0]);

                result = (T[])Convert.ChangeType(inference_result, typeof(T[]));

                return result;

            }

        }

        在读取模型推理结果时，支持读取整形数据和浮点型数据，且需要知晓模型输出数据的大小，这就要求我们对自己所使用的模型有很好的把握。

（7）清除地址

        // @brief 删除创建的地址

        public void delet() {

            NativeMethods.core_delet(ptr);

        }

        此处的清除地址需要调用fengzhuangd额地址删除方法实现，不可以直接删除C#中创建的IntPtr，这样会导致内存泄漏，影响程序性能。

        通过上面的封装，比可以在C#平台下，调用Core类，间接调用OpenVINOTM工具包署自己的模型了。

        下一篇，我们将继续介绍：构建行人识别C# PP-YOLOE类和人体姿势识别TinyPose类。

最后

以上就是笑点低大白为你收集整理的基于C# 和OpenVINO部署飞桨PP-Human_上篇的全部内容，希望文章能够帮你解决基于C# 和OpenVINO部署飞桨PP-Human_上篇所遇到的程序开发问题。

如果觉得靠谱客网站的内容还不错，欢迎将靠谱客网站推荐给程序员好友。