此文档介绍如何使用 CIX P1 NPU SDK 将 OpenPose 转换为 CIX SOC NPU 上可以运行的模型。
整体来讲有四个步骤：
:::tip
步骤1~3 在 x86 主机 Linux 环境下执行
:::
请参考 安装 NPU SDK 进行 NPU SDK 和 NOE Compiler 的安装.
在 CIX AI Model Hub 中包含了 Openose 的所需文件， 请用户按照 下载 CIX AI Model Hub 下载，然后到对应的目录下查看
cd ai_model_hub/models/ComputeVision/Pose_Estimation/onnx_openpose请确认目录结构是否同下图所示
.
├── cfg
│ ├── human-pose-estimationbuild.cfg
│ └── opt_template.json
├── datasets
│ └── calib_data_my.npy
├── inference_npu.py
├── inference_onnx.py
├── output_onnx.jpg
├── ReadMe.md
└── test_data
├── 1.jpeg
└── 2.jpeg:::tip
用户可无需从头编译模型，radxa 提供预编译好的 human-pose-estimation.cix 模型（可用下面步骤下载），如果使用预编译好的模型，可以跳过“编译模型” 这一步
wget https://modelscope.cn/models/cix/ai_model_hub_24_Q4/resolve/master/models/ComputeVision/Pose_Estimation/onnx_openpose/human-pose-estimation.cix:::
下载 onnx 模型
简化模型
这里使用 onnxsim 进行模型输入固化和模型简化
pip3 install onnxsim onnxruntime
onnxsim human-pose-estimation.onnx human-pose-estimation-sim.onnx --overwrite-input-shape 1,3,256,360CIX SOC NPU 支持 INT8 计算，在编译模型前，我们需要使用 NOE Compiler 对模型进行 INT8 量化
准备校准集
使用 datasets 现有校准集
.
└── calib_data_my.npy自行准备校准集
在 test_data 目录下已经包含多张校准集的图片文件
.
├── 1.jpeg
└── 2.jpeg参考以下脚本生成校准文件
import sys
import os
import numpy as np
import cv2
_abs_path = os.path.join(os.getcwd(), "../../../../")
sys.path.append(_abs_path)
from utils.image_process import preprocess_openpose
from utils.tools import get_file_list
# Get a list of images from the provided path
images_path = "test_data"
images_list = get_file_list(images_path)
data = []
for image_path in images_list:
img_numpy = cv2.imread(image_path)
input = preprocess_openpose(img_numpy, 256)[0]
data.append(input)
# concat the data and save calib dataset
data = np.concatenate(data, axis=0)
np.save("datasets/calib_data_tmp.npy", data)
print("Generate calib dataset success.")使用 NOE Compiler 量化与编译模型
制作量化与编译 cfg 配置文件, 请参考以下配置
[Common]
mode = build
[Parser]
model_type = ONNX
model_name = human-pose-estimation
detection_postprocess =
model_domain = OBJECT_DETECTION
input_data_format = NCHW
input_model = ./human-pose-estimation-sim.onnx
input = images
input_shape = [1, 3, 256, 360]
output_dir = ./
[Optimizer]
dataset = numpydataset
calibration_data = ./datasets/calib_data_tmp.npy
calibration_batch_size = 1
output_dir = ./
quantize_method_for_activation = per_tensor_asymmetric
quantize_method_for_weight = per_channel_symmetric_restricted_range
save_statistic_info = True
opt_config = cfg/opt_template.json
cast_dtypes_for_lib = True
[GBuilder]
target = X2_1204MP3
outputs = human-pose-estimation.cix
tiling = fps编译模型
:::tip
如果遇到 cixbuild 报错 [E] Optimizing model failed! CUDA error: no kernel image is available for execution on the device ...
这意味着当前版本的 torch 不支持此 GPU，请完全卸载当前版本的 torch, 然后在 torch 官网下载最新版本。
:::
cixbuild ./human-pose-estimationbuild.cfg将使用 NOE Compiler 编译好的 .cix 格式的模型复制到 Orion O6 开发板上进行模型验证
python3 inference_npu.py --image_path ./test_data/ --model_path human-pose-estimation.cix(.venv) radxa@orion-o6:~/NOE/ai_model_hub/models/ComputeVision/Pose_Estimation/onnx_openpose$ time python3 inference_npu.py --image_path ./test_data/ --model_path human-pose-estimation.cix
npu: noe_init_context success
npu: noe_load_graph success
Input tensor count is 1.
Output tensor count is 4.
npu: noe_create_job success
npu: noe_clean_job success
npu: noe_unload_graph success
npu: noe_deinit_context success
real 0m2.788s
user 0m3.158s
sys 0m0.276s结果保存在 output 文件夹中
使用 CPU 对 onnx 模型进行推理验证正确性，可在 X86 主机上或 Orion O6 上运行
python3 inference_onnx.py --image_path ./test_data/ --onnx_path ./yolov8l.onnx(.venv) radxa@orion-o6:~/NOE/ai_model_hub/models/ComputeVision/Pose_Estimation/onnx_openpose$ time python3 inference_onnx.py --image_path ./test_data/ --onnx_path human-pose-estimation.onnx
real 0m3.138s
user 0m6.961s
sys 0m0.318s结果保存在 output 文件夹中
可以看到 NPU 和 CPU 上推理的结果一致,但运行速度大幅缩短
论文链接： Real-time 2D Multi-Person Pose Estimation on CPU: Lightweight OpenPose
