gg修改器免root版官网在那_gg修改器中文官网免root

大家好，今天小编为大家分享关于gg修改器免root版官网在那_gg修改器中文官网免root的内容，赶快来一起来看看吧。

本文介绍了如何使用 TensorFlow 在智能机上（包括安卓和 iOS 设备）执行实时单人姿态估计。

该 repo 作者使用 tf-pose-estimation 库中的数据增强代码将标注迁移为 COCO 格式。tf-pose-estimation 库：https:///ildoonet/tf-pose-estimation

超参数

训练步骤中，使用 experiments 文件夹中的 cfg 文件传输超参数。

以下是 mv2_cpm.cfg 文件的内容：

[Train]
model: ’mv2_cpm’
checkpoint: False
datapath: ’/root/hdd/ai_challenger’
imgpath: ’/root/hdd/’
visible_devices: ’0, 1, 2’
multiprocessing_num: 8
max_epoch: 1000
lr: ’0.001’
batchsize: 5
decay_rate: 0.95
input_width: 192
input_height: 192
n_kpoints: 14
scale: 2
modelpath: ’/root/hdd/trained/mv2_cpm/models’
logpath: ’/root/hdd/trained/mv2_cpm/log’
num_train_samples: 20000
per_update_tensorboard_step: 500
per_saved_model_step: 2000
pred_image_on_tensorboard: True

该 cfg 文件覆盖模型的所有参数，在 network_mv2_cpm.py 中仍有一些参数。

使用 nvidia-docker 训练

通过以下命令构建 docker：

cd training/docker
docker build -t single-pose .

或者

docker pull edvardhua/single-pose

然后运行以下命令，训练模型：

nvidia-docker run -it -d
-v <dataset_path>:/data5 -v <training_code_path>/training:/workspace
-p 6006:6006 -e LOG_PATH=/root/hdd/trained/mv2_cpm/log
-e PARAMETERS_FILE=experiments/mv2_cpm.cfg edvardhua/single-pose

此外，它还在 port 6006 上创建了 tensorboard。确保安装了 nvidia-docker。

按一般方法训练

1. 安装依赖项：

cd training
pip3 install -r requirements.txt

还需要安装 cocoapi (https:///cocodataset/cocoapi)。

2. 编辑 experiments 文件夹中的参数文件，它包含几乎所有超参数和训练中需要定义的其他配置。之后，传输参数文件，开始训练：

cd training
python3 src/train.py experiments/mv2_cpm.cfg

在 3 张英伟达 1080Ti 显卡上经过 12 个小时的训练后，该模型几乎收敛。以下是对应的 tensorboard 图。

基准（PCKh）

运行以下命令，评估 PCKh 值。

python3 src/benchmark.py –frozen_pb_path=hourglass/model-360000.pb
–anno_json_path=/root/hdd/ai_challenger/ai_challenger_valid.json
–img_path=/root/hdd
–output_node_name=hourglass_out_3

预训练模型

• CPM：https:///edvardHua/PoseEstimationForMobile/tree/master/release/cpm_model
• Hourglass：https:///edvardHua/PoseEstimationForMobile/tree/master/release/hourglass_model

安卓 demo

由于 mace 框架，你可以使用 GPU 在安卓智能机上运行该模型。

按照以下命令将模型转换为 mace 格式：

cd <your-mace-path># You transer hourglass or cpm model by changing `yml` file.
python tools/converter.py convert –config=<PoseEstimationForMobilePath>/release/mace_ymls/cpm.yml

然后根据 mace 文档的说明，将模型集成到安卓设备中。

至于如何调用模型、解析输出，可以参见安卓源代码：https:///edvardHua/PoseEstimationForMobile/tree/master/android_demo。

一些芯片的平均推断时间基准如下所示：

以下是该 repo 作者构建该 demo 的环境：

• 操作系统：macOS 10.13.6（mace 目前不支持 windows）
• Android Studio：3.0.1
• NDK 版本：r16

在构建 mace-demo 时，不同环境可能会遇到不同的错误。为避免这种情况，作者建议使用 docker。

docker pull -hangzhou./xiaomimace/mace-dev-lite
docker run -it
–privileged -d –name mace-dev
–net=host
-v to/you/path/PoseEstimationForMobile/android_demo/demo_mace:/demo_mace
-hangzhou./xiaomimace/mace-dev-lite
docker run -it –privileged -d –name mace-dev –net=host
-v to/you/path/PoseEstimationForMobile/android_demo/demo_mace:/demo_mace
-hangzhou./xiaomimace/mace-dev-lite
# Enter to docker
docker exec -it mace-dev bash
# mand inside the dockercd /demo_mace && ./gradlew build

或者将模型转换为 tflite：

# Convert to frozen pb.cd training
python3 src/gen_frozen_pb.py
–checkpoint=<you_training_model_path>/model-xxx –output_graph=<you_output_model_path>/model-xxx.pb
–size=192 –model=mv2_cpm_2
# If you update tensorflow to 1.9, run mand.
python3 src/gen_tflite_coreml.py
–frozen_pb=forzen_graph.pb
–input_node_name=’image’
–output_node_name=’Convolutional_Pose_Machine/stage_5_out’
–output_path=’./’
–type=tflite
# Convert to tflite.# See https:///tensorflow/tensorflow/blob/master/tensorflow/docs_src/mobile/tflite/devguide.md for more information.
bazel-bin/tensorflow/contrib/lite/toco/toco
–input_file=<you_output_model_path>/model-xxx.pb
–output_file=<you_output_tflite_model_path>/mv2-cpm.tflite
–input_format=TENSORFLOW_GRAPHDEF –output_format=TFLITE
–inference_type=FLOAT
–input_shape=”1,192,192,3″
–input_array=’image’
–output_array=’Convolutional_Pose_Machine/stage_5_out’

然后，将 tflite 文件放在 android_demo/app/src/main/assets 中，修改 ImageClassifierFloatInception.kt 中的参数。

…………// parameters need to modify in ImageClassifierFloatInception.kt/** * Create ImageClassifierFloatInception instance * * @param imageSizeX Get the image size along the x axis. * @param imageSizeY Get the image size along the y axis. * @param outputW The output width of model * @param outputH The output height of model * @param modelPath Get the name of the model file stored in Assets. * @param numBytesPerChannel Get the number of bytes that is used to store a single * color channel value. */
fun create(
activity: Activity,
imageSizeX: Int = 192,
imageSizeY: Int = 192,
outputW: Int = 96,
outputH: Int = 96,
modelPath: String = “mv2-cpm.tflite”,
numBytesPerChannel: Int = 4
): ImageClassifierFloatInception =
ImageClassifierFloatInception(
activity,
imageSizeX,
imageSizeY,
outputW,
outputH,
modelPath,
numBytesPerChannel)…………

最后，将该项目导入 Android Studio，在智能机设备上运行。

iOS Demo

首先，将模型转换为 CoreML 模型：

# Convert to frozen pb.cd training
python3 src/gen_frozen_pb.py
–checkpoint=<you_training_model_path>/model-xxx –output_graph=<you_output_model_path>/model-xxx.pb
–size=192 –model=mv2_cpm_2
# Run the mand to get mlmodel
python3 src/gen_tflite_coreml.py
–frozen_pb=forzen_graph.pb
–input_node_name=’image’
–output_node_name=’Convolutional_Pose_Machine/stage_5_out’
–output_path=’./’
–type=coreml

然后，按照 PoseEstimation-CoreML 中的说明来操作（https:///tucan9389/PoseEstimation-CoreML）。

以上就是关于gg修改器免root版官网在那_gg修改器中文官网免root的全部内容，希望对大家有帮助。