# humanseg_server |模型名称|humanseg_server| | :--- | :---: | |类别|图像-图像分割| |网络|hrnet| |数据集|百度自建数据集| |是否支持Fine-tuning|否| |模型大小|159MB| |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 - HumanSeg-server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：[humanseg_server](https://github.com/PaddlePaddle/PaddleSeg/tree/release/2.2/contrib/HumanSeg) ## 二、安装 - ### 1、环境依赖 - paddlepaddle >=2.0.0 - paddlehub >= 2.0.0 - ### 2、安装 - ```shell $ hub install humanseg_server ``` - 如您安装时遇到问题，可参考：[零基础windows安装](../../../../docs/docs_ch/get_start/windows_quickstart.md) | [零基础Linux安装](../../../../docs/docs_ch/get_start/linux_quickstart.md) | [零基础MacOS安装](../../../../docs/docs_ch/get_start/mac_quickstart.md) ## 三、模型API预测 - ### 1、命令行预测 ``` hub run humanseg_server --input_path "/PATH/TO/IMAGE" ``` - ### 2、预测代码示例 - 图片分割及视频分割代码示例： ```python import cv2 import paddlehub as hub human_seg = hub.Module(name='humanseg_server') im = cv2.imread('/PATH/TO/IMAGE') #visualization=True可以用于查看人像分割图片效果，可设置为False提升运行速度。 res = human_seg.segment(images=[im],visualization=True) print(res[0]['data']) human_seg.video_segment('/PATH/TO/VIDEO') ``` - 视频流预测代码示例： ```python import cv2 import numpy as np import paddlehub as hub human_seg = hub.Module(name='humanseg_server') cap_video = cv2.VideoCapture('\PATH\TO\VIDEO') fps = cap_video.get(cv2.CAP_PROP_FPS) save_path = 'humanseg_server_video.avi' width = int(cap_video.get(cv2.CAP_PROP_FRAME_WIDTH)) height = int(cap_video.get(cv2.CAP_PROP_FRAME_HEIGHT)) cap_out = cv2.VideoWriter(save_path, cv2.VideoWriter_fourcc('M', 'J', 'P', 'G'), fps, (width, height)) prev_gray = None prev_cfd = None while cap_video.isOpened(): ret, frame_org = cap_video.read() if ret: [img_matting, prev_gray, prev_cfd] = human_seg.video_stream_segment(frame_org=frame_org, frame_id=cap_video.get(1), prev_gray=prev_gray, prev_cfd=prev_cfd) img_matting = np.repeat(img_matting[:, :, np.newaxis], 3, axis=2) bg_im = np.ones_like(img_matting) * 255 comb = (img_matting * frame_org + (1 - img_matting) * bg_im).astype(np.uint8) cap_out.write(comb) else: break cap_video.release() cap_out.release() ``` - ### 3、API ```python def segment(images=None, paths=None, batch_size=1, use_gpu=False, visualization=False, output_dir='humanseg_server_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预测，如果使用GPU预测，则在预测之前，请设置CUDA_VISIBLE_DEVICES环境变量，否则不用设置； * 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。 ```python def video_stream_segment(self, frame_org, frame_id, prev_gray, prev_cfd, use_gpu=False): ``` - 预测API，用于逐帧对视频人像分割。 - **参数** * frame_org (numpy.ndarray): 单帧图片数据，ndarray.shape 为 \[H, W, C\]，BGR格式； * frame_id (int): 当前帧的编号； * prev_gray (numpy.ndarray): 前一帧输入网络图像的灰度图； * prev_cfd (numpy.ndarray): 前一帧光流追踪图和预测结果融合图 * use\_gpu (bool): 是否使用 GPU预测，如果使用GPU预测，则在预测之前，请设置CUDA_VISIBLE_DEVICES环境变量，否则不用设置； - **返回** * img_matting (numpy.ndarray): 人像分割结果，仅包含Alpha通道，取值为0-1 (0为全透明，1为不透明)。 * cur_gray (numpy.ndarray): 当前帧输入网络图像的灰度图； * optflow_map (numpy.ndarray): 当前帧光流追踪图和预测结果融合图 ```python def video_segment(self, video_path=None, use_gpu=False, save_dir='humanseg_server_video_result'): ``` - 预测API，用于视频人像分割。 - **参数** * video\_path (str): 待分割视频路径。若为None，则从本地摄像头获取视频，并弹出窗口显示在线分割结果。 * use\_gpu (bool): 是否使用 GPU预测，如果使用GPU预测，则在预测之前，请设置CUDA_VISIBLE_DEVICES环境变量，否则不用设置； * save\_dir (str): 视频保存路径，仅在video\_path不为None时启用，保存离线视频处理结果。 ```python 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： ```shell $ hub serving start -m humanseg_server ``` - 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 ```python import requests import json import base64 import cv2 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 # 发送HTTP请求 org_im = cv2.imread('/PATH/TO/IMAGE') data = {'images':[cv2_to_base64(org_im)]} headers = {"Content-type": "application/json"} url = "http://127.0.0.1:8866/predict/humanseg_server" 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) ``` - ### Gradio APP 支持 从 PaddleHub 2.3.1 开始支持使用链接 http://127.0.0.1:8866/gradio/humanseg_server 在浏览器中访问 humanseg_server 的 Gradio APP。 ## 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 新增视频人像分割接口 新增视频流人像分割处理接口 * 1.2.1 修复cudnn为8.0.4显存泄露问题 * 1.3.0 移除 Fluid API * 1.4.0 添加 Gradio APP 支持 ```shell $ hub install humanseg_server == 1.4.0 ```