-
python版本人脸检测2路摄像头问题我想实现采集2个摄像头图片然后分别发送到presenter server展示,是2个网页分别显示,即我用opencv读取camera0图像发送到一个网页展示,然后opencv读取camera1图像发送到另一个网页展示我修改conf文件[baseconf]# A socket server address to communicate with presenter agent# Please ensure that the port does not conflict, only support Ipv4presenter_server_ip=192.168.1.223presenter_server_port=7006# A http server address, you can visit the website by "http//web_server_ip:web_server_port".# Only support Chrome now.web_server_ip=127.0.0.1web_server_port=7007修改为[baseconf]# A socket server address to communicate with presenter agent# Please ensure that the port does not conflict, only support Ipv4presenter_server_ip=192.168.1.223presenter_server_port=8006# A http server address, you can visit the website by "http//web_server_ip:web_server_port".# Only support Chrome now.web_server_ip=127.0.0.1web_server_port=8007但是发现bash run_presneterser.sh后会把另一个挤下去,只能有一个server请问这个怎么办
-
人脸识别是目前人工智能领域中成熟较早、落地较广的技术之一,人脸识别的目的是要判断图片和视频中人脸的身份。从平常手机的刷脸解锁、刷脸支付,再到安防领域内的人脸识别布控,等等,人脸识别技术都有着广泛的应用。人脸是每个人与生俱来的特征,该特征具有唯一性并且不易被复制,因此为身份鉴别提供了必要的前提。详情请点击原文链接:https://bbs.huaweicloud.com/blogs/173203
-
按照教程创建了ascend_ddk/arm/lib目录,并上传了preseeragent.so文件到开发板2. 设置了环境变量并source更新了3. 运行presenterserver无报错,run人脸检测报错
-
润物细无声。这是AI(人工智能)日益亲近我们生活,在我们的生活中不断渗透,进而提升我们生活品质的一种状态。以衣食住行中的交通和交通信号灯为例,我们驾车的既有习惯是当遭遇红灯时,让车停下来,盯着红灯,等待绿灯。无论车多车少,无论路况是拥堵还是稀疏,等待的时间是统一的。我们习以为常了,以为驾车的生活永远就是这个样子,只能忍受或者,只能妥协、忍受。 然而,世界应该变得更美好。华为云与深圳交警实现合作之后,可以让驾车者借助“润物细无声”的科技力量,享受智慧交通的便利。每次出门少在路上堵个十分钟,就能回家多陪陪家人。深圳交警携手华为云EI(企业智能)以深圳过往通行效率较低的部分路口作为首批试点,在人工智能、大数据、物联网、边缘计算等技术的协同下,通过感知交通流量与事件,能依据即时交通状况对信号灯进行实施智能控制,实现了从“车看灯,读秒数通行”到“灯看车,按车数放行”的提升和转变,从而大幅减少交通拥堵。 华为云EI将AI的技术积累,以云服务的方式开放出来 凭借领先的全栈全场景AI能力,华为于2019年8月入选国家新一代人工智能开放创新平台。基于华为的全栈全场景AI能力,华为云EI(Enterprise Intelligence)面向各行各业将华为多年在人工智能领域的技术积累,以云服务的方式开放出来。 截至2020年6月底,华为云EI可提供60款人工智能服务(平台类、视觉类、语音类、决策类),160项功能(平台功能、APIs,行业预集成方案),面向行业领域的AI能力,还在持续加强与更新。 围绕老百姓生活的衣食住行的“行”这一方面,华为云EI还有诸多代表性的落地案例。华为云与深圳机场开展合作,基于人工智能等技术,完成智慧机位分配、智慧助航灯、地勤可视化等联合创新项目。其中,智慧机位分配是基于大数据和AI实现机位资源调优,从而提高廊桥机位的使用效率,降低旅客乘坐摆渡车的时间。 不仅在深圳,借助华为云EI城市智能体的支持,天津生态城核心区域“彩虹桥”附近主要片区在早高峰总车流量不变的情况下,主干道车辆完成18%的平均车速提升,早高峰期间的道路排队溢出次数减少60%,早高峰提前10分钟至15分钟结束,民众可明显感知到出城时间缩短了,道路更加通畅了。 AI在华为云业务布局中有哪些重要作用? 日前,华为云人工智能领域总裁贾永利接受《商业周刊/中文版》采访时表示,人工智能是华为云的主服务之一,而EI在华为云业务布局中有诸多重要作用,比如做好行业的突破;做好真正和客户的互动深耕;赋能;培养AI人才等。 “整个人工智能在华为云,希望能够面向行业起到突破作用。因为很多行业在选择用云,或者面向未来时,它们是要长远布局和规划的,不是为了简单地用上个一年或两年。它们做这个决策,是要保证三年到五年,甚至更长时间的发展。所以说,AI在这一块客户考量的分量是比较重的。很多业务也因AI的加入,会提升整个产业效率,或者增加收益。”他说。 贾永利表示,他理解的面向行业,除了突破之外,还要深耕。未来,除了从IT效率上去帮助客户以外,AI也是重要一环。2018年,华为云在华为全联接大会(HC)就讲过,对AI的定位是通用目的技术,它像电,像计算机一样,是人类历史上为数不多的,能够同各行各业的生产活动发生关系的,且能带来巨大提升的技术。 智能时代,AI的作用如同电气时代的电力。华为云希望能够深入下去,到企业各个业务流程里去洞察,帮助企业找到能够提升自身价值的场景,一点点让AI真正落地,做实。通过深耕行动,华为云帮助企业真正实现价值链的跨越。 华为云EI还有一个关键的作用——为华为及华为云自身赋能。例如,华为面向联接的服务里面会大量用到AI。AI支持WeLink、会议管理、会议助手,整理纪要等功能,帮助研发团队做人脸验证、软件类开发的工具、代码扫描、自动化安全管理等。 为各个行业提供人工智能服务之外,帮助行业培养AI人才也是华为云EI的发力点。既然AI是各行各业的普遍诉求,那么懂AI的人才自然成为各个行业尤为突出的刚需。华为云EI的目标之一是助力行业的人才培养,共建人才生态。 AI在To B业务和To C业务中有哪些差异? 被问及华为云EI和其他AI厂商相比有什么差异和优势的问题时,贾永利向《商业周刊/中文版》阐释道,说到AI,外界的第一反应是语音识别或者人脸识别领域的几家独角兽厂商,实际上,AI是一系列技术的组合,不止有To C领域广泛使用的图像识别技术和语音识别技术,背后还有决策、推理、优化,包括知识图谱等,还有端到端的AI开发平台、工具链等。 语音识别和人脸识别属于感知层。如果进入到产业里观察的话,会发现这个感知只是基础,真正要让产业实现大幅度价值提升和成本下降,更重要的是瞄准决策、认知层,即产业中的企业最终要通过工艺优化、产品结构调整等实现质的飞跃。“有大量的AI技术,需要构建在认知层。这是我们面向To B领域重点去做的。这一部分,老百姓一般不会体会到,或者说,他们不会直接感受到。”他说。 以深圳机场的智慧机场调度为例。在智慧机场,老百姓往往最能感知到的是手持一张身份证,就可以在机场大厅内自由行走。不用打印登记牌,人脸识别就可以通行各种闸机口。但是,智慧机场效率在运控领域的提升,都属于决策判断层。例如,一个航班运行涉及起飞时间安排、落地停放、行李运输和安全保障等一系列流程。在复杂的全球全国的航路情况下,深圳机场如何去合理调配几百个停机位?从前,借助简单的IT系统来运作,“是不够高效的”。深圳机场携手华为云EI,基于大数据和AI实现机位资源调优,从而提高廊桥机位的使用效率,缩短旅客乘坐摆渡车的时间。将机场的靠桥位数量提高8个到10个百分点,这意味着平均一个廊桥每天可以多停一架次的飞机。以深圳千万级年吞吐量的机场来讲,每年可以减少数百万次乘坐摆渡车的次数。 “这些积极变化,老百姓未必直接感受到,能间接感觉的到是摆渡车坐得少了,飞机准点率比以前好一点了。”贾永利指出,这就是AI在To B业务和To C业务上的本质上差异。 总而言之,不管是制造领域,还是物流、运输、交通、城市等各个行业,涉及AI的布局和规划终究是在决策层。贾永利表示,“我觉得,面向未来,To B领域真得把AI落地的话,更多是要把认知决策这一层做好。”
-
我使用常规部署sample-facedetection-python时,用git clone下载了代码,然后用mind studio打开查看时,出现这个是什么意思,小白感谢大家解答!用mind studio打开人脸识别项目以后,我想要做模型转化,可是出现了no ddk is found,我打开其他的项目都没有出现这些问题,我打开ascendcamera项目都可以运行的好好的
-
公司业务信息:易之慧(山东)信息技术有限公司(以下简称易之慧)成立于2018-01-29,是一家由创新型智慧工地一体化方案服务提供商!乐往致力于将新互联网+、人工智能技术、大数据与工地管理需求深度融合,在项目施工现场建立远程监控视频系统,各施工现场的监控视频画面集成在公司信息化平台中,管理人员通过该平台可远程实时了解施工现场生产状况。在工地出入口建立劳务实名制管理系统,采用人脸识别功能,对施工人员实行智能考勤管理,管理人员在软件后台可实时查看员工进出施工现场的记录。在施工现场管理中,将关键施工部位的巡检及验收标准内置于二维码中,管理人员只要扫一扫设置在关键部位的二维码,就可了解相关情况,既使管理工作轻量化,又保证了施工痕迹的可追溯性,有效控制施工安全风险。业务场景:场景1、进入工地采用实名制,对于施工工入进行提前信息登记,通过刷身份证并进行人脸识别,保证施工人员的真实性,防止非施工人员进入施工现场。场景2、在工地施工中,对施工人员进行行为规范及考核管理,采用人脸识别方式进行人像信息采用和后台数据进行分析比对,进行人员行为规范的管理。解决问题:在施工现场,人员众多,监管单位认不清各个施工单位人员,管理上对于犯错的人员经常不正确上报自己的姓名及工号,导致管理处罚困难。挑战:光线问题,人脸识别效率问题,而且前期信息采集比较耗时。使用服务:文字识别、人脸识别等技术如何解决:采用人脸识别后可以主动采集信息,不再通过人员被动上报,提高了信息的准确性。使用场景:1、进入工地人员管理,2、在工地实时监管,非安全施工人员不遵守安全操作规范,不文明行为进行处理。业务框架/方案截图:使用规模:10000次/月使用效果:可以通过手机移动端支持进行施工人员准确管理,解决了之前不认识人,必须需要队长来进行处理,提高了管理效率作者:隋唐
-
调用IVS_PU_Reboot重启摄像头后 在不重启JAVA后台的情况下 再次使用人脸识别功能报错问题 ErrorCode:(106)Incorrect user ID.登录 设备初始化这些都有做Q7:重启之后需要重新注册设备吗?A7:调用重启设备接口IVS_PU_Reboot实现设备重启后,需要重新调用设备注册接口IVS_PU_Login。除了这个还有哪没做吗
-
一年一度的游戏视觉盛宴又来了!作为一个游戏动漫控的肥宅,去CJ现场是必须的。除了看看游戏和动漫,各大游戏展台漂亮的Showgirl也是必不可少的,毕竟没有妹子的CJ就是没有灵魂的CJ,不拍点妹子照片更是等于白来。逛完展会下来,腿都快走断了,当然,收获是满满的,拍了不少妹子的图,美滋滋地回去了。回去后和几个好哥们心生一计,咱们要不来PK一下谁拍的妹子最好看?大家一声吆喝,纷纷把手机掏出来,开始凶猛地查找照片。本肥宅翻了手机里拍的所有照片,选出几张准备和大家PK,结果有一兄弟喷我拍的都是些啥玩意,说我审美不行!忍不了啊,是可忍,叔不可忍,婶婶更不能忍!竟然怀疑我的审美!!!哥差点跟他当场干架!几个人争来争去,都说自己拍的妹子最好看,好吧,这样争下去是没有结果了……本肥宅的脑子灵光一闪,说啥咱也是个有技术的人,是不是可以用大数据和AI来搞一个颜值评分器?PK一下到底谁拍的妹子最好看?AI来打分,看看CJ上哪个Showgirl最漂亮?说干就干,马上上网查找资料,终于找到一个人脸颜值评分的数据集,总共有2500张男性人脸和2500张女性人脸,由60个人进行人工评分,有数据有标签,那么就可以用该数据集训练一个人脸颜值评分AI模型,技术上来说行得通,行,那就搞起来!经过2个多小时的“撸力”后,代码写好了,模型ready了,先拿两张CJ的小姐姐照片试一下,看看效果怎样呢?喔嚯嚯~,从上到下分别是3.3、3.6、3.8、4.1分。(注:评分标准是满分5分,最低1分。数据集提供方有说明,5分和1分是惊世骇俗之颜值,所以数据集中的图片基本上极少能评到5分或1分,绝大多数都是2到4分。)看起来效果还不错哦,符合本肥宅的预期,最重要的是这是模型预测出来的结果,是基于5000张图片和60个人的评价训练得到的模型,完全不带个人的审美偏见。有如此神器在手,简直可以横着走!我已经开始想象这个神器可以做哪些事情了!/奸笑,比如:(1)测试一下女盆友(如果你有)化妆前后的颜值变化;(2)评选出班级里最好看的女生;(3)跟好友进行颜值PK,比一下谁更帅,谁更漂亮;(4)把收藏的资源都拿出来,筛选出最好看的女生;等等。。。实在是有太多用处了,必须是神器啊!/流口水这么好的东西,不分享一下实在可惜了,毕竟自己也经常从别人那拿东西,本肥宅也决定大度一把,把代码和模型共享出来。10分钟速成AI颜值评分神器先讲一下我是怎么开发这个模型的,其实很简单,就是人脸检测+人脸颜值评分,人脸检测模型一大把,这里就不多说了,至于颜值评分,直接撸一个Resnet50模型,最后加一个Dense(1)层就可以了。##################################### 来自程序猿视角的分割线 ######################################我开发这个模型,用的是来自华为云的ModelArts(它是一个在线、开箱即用的AI平台,还有免费的GPU算力,每天不限次数使用,不要太爽!),所以代码是在ipynb中跑的。主要有四个步骤实现人脸颜值评分:(1)前提准备(2)搭建人脸检测模型(3)搭建人脸评分模型(4)效果测试下面开始上代码,所有代码如下,详情请阅读代码注释:(1)前提准备安装需要的python模块!pip install torch==1.1.0 torchvision==0.3.0 # 本案例同时需要 tf 和 pytorch 两种框架下载代码和模型import os import subprocess import moxing as mox print('Downloading datasets and code ...') if not os.path.exists('face_beauty_predict'): mox.file.copy('obs://arthur-1/face_beauty_predict/face_beauty_predict.zip', './face_beauty_predict.zip') p1 = subprocess.run(['unzip face_beauty_predict.zip;rm face_beauty_predict.zip'], stdout=subprocess.PIPE, shell=True, check=True) print('Download success')(2)搭建人脸检测模型公开的人脸检测非常多,比如开源的RetinaFace效果就不错,且已经有训练好的模型可以下载使用,执行下面的代码即可完成人脸检测模型的搭建import os import sys sys.path.insert(0, os.path.join(os.getcwd(), './face_beauty_predict/model')) import torch import numpy as np from PIL import Image from collections import OrderedDict import torch.backends.cudnn as cudnn from data import cfg_re50 from layers.functions.prior_box import PriorBox from utils.nms.py_cpu_nms import py_cpu_nms from models.retinaface import RetinaFace from utils.box_utils import decode, decode_landm cudnn.benchmark = True class RetinaFaceModel(object): def __init__(self, model_path): self.network = 'resnet50' self.cpu = True self.confidence_threshold = 0.02 self.top_k = 5000 self.nms_threshold = 0.4 self.keep_top_k = 750 self.save_image = True self.vis_thres = 0.9 self.device = torch.device("cpu" if self.cpu else "cuda") print('Loading model from %s' % model_path) torch.set_grad_enabled(False) self.model = RetinaFace(cfg=cfg_re50, phase='test') if self.cpu: pretrained_dict = torch.load(model_path, map_location='cpu') else: pretrained_dict = torch.load(model_path) state_dict = OrderedDict() for key, value in pretrained_dict.items(): tmp = key[7:] state_dict[tmp] = value self.model.load_state_dict(state_dict, strict=False) self.model.eval() self.model = self.model.to(self.device) print('load model success') def inference(self, img): img = np.float32(img) im_height, im_width, _ = img.shape scale = torch.Tensor([img.shape[1], img.shape[0], img.shape[1], img.shape[0]]) img -= (104, 117, 123) img = img.transpose(2, 0, 1) img = torch.from_numpy(img).unsqueeze(0) img = img.to(self.device) scale = scale.to(self.device) loc, conf, landms = self.model(img) # forward pass priorbox = PriorBox(cfg_re50, image_size=(im_height, im_width)) priors = priorbox.forward() priors = priors.to(self.device) prior_data = priors.data boxes = decode(loc.data.squeeze(0), prior_data, cfg_re50['variance']) boxes = boxes * scale boxes = boxes.cpu().numpy() scores = conf.squeeze(0).data.cpu().numpy()[:, 1] landms = decode_landm(landms.data.squeeze(0), prior_data, cfg_re50['variance']) scale1 = torch.Tensor([img.shape[3], img.shape[2], img.shape[3], img.shape[2], img.shape[3], img.shape[2], img.shape[3], img.shape[2], img.shape[3], img.shape[2]]) scale1 = scale1.to(self.device) landms = landms * scale1 landms = landms.cpu().numpy() # ignore low scores inds = np.where(scores > self.confidence_threshold)[0] boxes = boxes[inds] landms = landms[inds] scores = scores[inds] # keep top-K before NMS order = scores.argsort()[::-1][:self.top_k] boxes = boxes[order] landms = landms[order] scores = scores[order] # do NMS dets = np.hstack((boxes, scores[:, np.newaxis])).astype(np.float32, copy=False) keep = py_cpu_nms(dets, self.nms_threshold) dets = dets[keep, :] landms = landms[keep] # keep top-K faster NMS dets = dets[:self.keep_top_k, :] landms = landms[:self.keep_top_k, :] dets = np.concatenate((dets, landms), axis=1) # face detection results detection_classes = [] detection_scores = [] detection_boxes = [] for b in dets: if b[4] < self.vis_thres: continue detection_classes.append('face') detection_scores.append(round(float(b[4]), 4)) detection_boxes.append([int(b[1]), int(b[0]), int(b[3]), int(b[2])]) return detection_classes, detection_scores, detection_boxes model_path = r'./face_beauty_predict/model/Resnet50_Final.pth' retina_face_model = RetinaFaceModel(model_path)(3)搭建人脸评分模型有个公开的人脸评分数据集是SCUT-FBP5500,里面有人工评分的2500张男性人脸和2500张女性人脸,代码库facial_beauty_prediction提供了基于SCUT-FBP5500数据集训练好的模型,执行如下代码就可以加载模型使用import cv2 from PIL import Image from keras.models import load_model class FaceBeautyModel(object): def __init__(self, model_path): print('Loading model from %s' % model_path) self.img_width = 350 self.img_height = 350 self.channels = 3 self.beauty_model = load_model(model_path) # 直接加载训练好的模型 print('load model success') def inference(self, img): img_resize = cv2.resize(img, (self.img_width, self.img_height), cv2.INTER_AREA) img_resize = img_resize / 255. img_resize = img_resize.reshape((1,) + img_resize.shape) pred_result = self.beauty_model.predict(img_resize) if pred_result is not None: pred_result = pred_result[0][0] return pred_result model_path = r'./face_beauty_predict/model/face_beauty/face_beauty.h5' face_beauty_model = FaceBeautyModel(model_path)(4)效果测试img_path = r'./face_beauty_predict/model/test_imgs/1.jpg' # 测试图片路径 src_img = cv2.imread(img_path) detection_classes, detection_scores, detection_boxes = retina_face_model.inference(src_img) img_draw = src_img.copy() if len(detection_boxes) > 0: for box in detection_boxes: y1, x1, y2, x2 = int(box[0]), int(box[1]), int(box[2]), int(box[3]) width = x2 - x1 height = y2 - y1 new_x1 = max(int(x1 - 0.5 * width), 0) new_y1 = max(int(y1 - 0.5 * height), 0) new_x2 = min(int(x2 + 0.5 * width), src_img.shape[1]) new_y2 = min(int(y2 + 0.2 * height), src_img.shape[0]) pred_result = face_beauty_model.inference(src_img[new_y1:new_y2, new_x1:new_x2]) if pred_result is not None: cv2.rectangle(img_draw, (x1, y1), (x2, y2), (0, 255, 0), thickness=2) # 显示人脸位置 cv2.putText(img_draw, '%.1f' % pred_result, (x1, y1 - 3), cv2.FONT_HERSHEY_SIMPLEX, 0.6, (0, 255, 0), 2) # 显示颜值评分 else: print('未检测到人脸') # 显示图片预测结果 Image.fromarray(img_draw[:,:,::-1])##################################### 来自程序猿视角的分割线 ######################################到这里,人脸颜值评分的神器就搞定了!想要代码和模型动手一试的兄弟请看下文。颜值评分神器获取方式:方式一:获取代码 + 模型(1) 点此链接下载脚本face_beauty_predict.ipynb;(2) 参考此链接注册华为云账号及开发前准备工作(官方教程,需点一下报名),参考此链接创建ModelArts Notebook(参数说明那个表不用细看,把“类型”改成GPU,其他默认即可),点击Notebook页面右上角的Upload按钮,将上一步下载的脚本上传到Notebook中,点击打开face_beauty_predict.ipynb,在新打开的页面中,点击页面顶部的Cell->Run All,即可下载全部代码和模型。 方式二:获取模型(1) 模型已分享到华为云ModelArts的AI市场,所有人都可以下载,点此链接进入到模型详情页面;(2) 然后参考下面几张图进行鼠标点击操作,即可完成模型的下载和部署:同步大概花1分钟左右,可以刷新网页来刷新状态,称为“就绪”状态后,就可以部署模型了然后按照提示操作,点下一步、提交、返回在线服务列表,看到的状态是部署中,状态变成运行中之后,就可以点击服务名称进去预测了ModelArts上有个将模型部署成在线服务的功能,部署成功后有一个RESTAPI接口,再集成该API就可以做成一个h5页面啦,我已经做好了一个h5页面访问下方链接或手机扫二维码就可以测颜值啦 \(^o^)/~ ,还不快试一下?(还请温柔一点,没钱买服务器,如果出现卡顿,请平静对待~)http://cj.modelarts.club/v1/modelarts/ChinaJoy
-
Atlas500人脸检测demo可视化步骤1.部署推流服务软件(如果使用的NVR推流)a.将 NVR.zip 软件包进行解压并拷贝至 x86 服务器的某一目录上,并确保该服务器能ping通atlas500;b.将需要进行人脸识别任务的.264 格式的视频文件放置于与 NVR.zip 软件包同级目录 下; .264 格式的视频文件可通过 FFmpeg 将其他格式的视频文件(如 mp4、avi)转换生成;c.运行 startNvr.sh。 运行时需要指定起始端口号和路数。例如,部署从端口号 10000 开始的 12 路视频流, 则执行命令如下: bash startNvr.sh 10000 12;2.部署转发服务a.确保在本机windows上成功安装EasyDarwin软件;b.确保在Windows任务管理器中可查询到该服务在后台运行;3.部署显示软件确保在windows上成功安装VLC软件4.修改depository/config/graph.config将depository/config/graph.config中下图部分的value处的rtsp流改为你本地ip地址(windows桌面ip);5.修改depository/config/setup.config将depository/config/setup.config中device_id设置为0(atlas500只有一个NPU);used_cam_num设置为实际路数,如果使用的是NVR推流服务软件,即为命令:bash startNvr.sh 端口号 路数,这里的路数。且由于 Atlas 500 的 Host CPU 性能远不如服务 器 CPU,最大稳定运行路数需要适当减少,建议 used_cam_num 设定为 4 以下;6.执行 facedemo_main./ facedemo_main7.在 Windows 端打开 VLC 软件a.点击“菜单栏 > 媒体 > 打开网络串流”;b.将depository/config/graph.config中配置的 rtsp键值,如图红色部分,填入上述红框位置中;
-
Atlas 200 DK性能强大,在实际使用中,发现因个人水平有限,使得硬件优势尚未能完全体现,未来希望能进一步学习,了解分析定位瓶颈,学习优化性能,充分发挥Atlas 200DK性能,提升程序的运行速度,处理过程更多地使用硬件,比如使用硬件对视频进行编解码。同时,考虑到模型实际运行的时候,有些层对硬件利用率高,有些层对硬件利用率低,可以分析模型中耗时的算子,对模型做进一步优化,提高硬件单元最大程度利用率,尽量发挥Ascend 310 最高16TOPS INT8的强大算力。这里有一点小畅想,如果有兴趣的小伙伴,可以自己试试开发哦!1. 关注算法最新发展,升级算法,可以考虑使用YOLOv3的升级版YOLOv4算法,实现更好的目标检测。2. 目前社区项目或GitHub案例库中还缺少跟踪部分的案例,可以考虑开发一下跟踪方面的案例,比如比较流行的DeepSort,通过加入外观信息,借用了ReID领域模型来提取特征,使得模型能够更好地处理目标被长时间遮挡的情况,减少了ID switch的次数。提升跟踪性能。3. 人脸检测作为最为成熟和应用广泛的AI落地应用之一,官方案例库中的人脸检测模型效果一般,如果能开发出效果更好的,相信一定能帮助到很多人,比如目前开源算法中很棒的InsightFace(ArcFace), 同时人脸检测是后续人脸识别的基础,好的检测算法对人脸识别能有很大提升。4. 开发更好的人脸识别算法。5. 可以针对具体应用场景,在现有目标检测案例基础上,实现上述第2条的跟踪,同时可以考虑针对特定方向做具体实现,比如实现对行人的检测与跟踪,还可以加入对不同方向的人流进行统计。还可以做当前画面行人之间社交距离的测量,以判定行人间社交距离是否符合特定要求,比如可用于疫情期间提醒行人保持安全的间距。具体方案是受启发与YOLOv3的将输入图像划分为网格的思想,可以根据行人所在网格之间的距离来衡量行人之间的距离,在YOLOv3检测行人的基础上,通过返回的行人坐标和当前坐标进行透视变换获取距离,将该距离与前面所得网格距离做加权平均,得到最终距离。以上是我的一些小畅想,感兴趣的小伙伴可以试试哦,没准下一个社区项目分享就是你哦!
-
AI人脸识别&探险寻宝参与API从入门到进阶的学习挑战不仅自己参赛可以得奖,邀请好友还有超级大奖你不来吗?——>>华为云API入门学习赛·AI人脸识别你不带着同桌的TA们一起来吗?第二阶段获奖名单公布:(12月1日) >>请获奖者点击填写收件信息收集问卷:https://devcloud.huaweicloud.com/expert/open-assessment/qtn?id=8b6598cd79494dadb699254e298b2ce7&utm_source=api备注:发放奖品以获奖名单中的华为云账号为准,请用获奖华为云账号登录本问卷,确保信息一致。获奖信息收集截止日期:12月7日8点。注意:此次获奖者不参与下一阶段的奖项评选。1、【华为云API入门学习赛·AI人脸识别赛】参赛有奖-幸运奖2、【华为云API入门学习赛·AI人脸识别赛】分享有奖-幸运奖3、【华为云API入门学习赛·AI人脸识别赛】邀请奖-邀请参赛奖(以上奖品随机发放,如遇库存不足将自动调换为同等价位的奖品,感谢大家支持)第三阶段赛事将于2021年1月重新开启,相应的奖项设置及规则也将在赛事启动时在本帖公布,请持续关注。请务必加入QQ群,赛事重要信息、获奖名单、培训信息等内容均统一在群内公布。=========【奖项介绍】参赛赢好礼========== 一、奖项设置(第二阶段:10.1-11.30)【参赛有奖-幸运奖】奖项规则:从报名参赛且提交作品的选手中抽取20名幸运奖,每人获得华为mini蓝牙音箱1台。【分享有奖-幸运奖】奖项规则:从报名参赛且提交分享帖的选手中抽取10名幸运奖,每人获得华为mini蓝牙音箱1台。分享帖内容围绕参赛心得、操作过程中的问题及如何解决、在参赛过程中的学习所得等展开,直接复制已给出的操作步骤截图者视为无效分享内容。形式不限,可以是文章、视频等。文章、视频提交方式:以在论坛发布帖子的方式提交分享作品,并将帖子链接回复到本帖。【邀请奖-邀请参赛奖】(每阶段按实际达成目标人数发放,数量有限,先到先得)奖项规则:所有报名参赛选手都可生成自己的专属报名链接邀请朋友参赛并完成作品提交。按邀请人数梯度发放奖品。邀请参赛奖互相独立,以实际邀请成功人数获得对应奖品,不累计重复领奖。例如:邀请成功人数为60人,则可获得“华为mini蓝牙音箱”1个。注意:有效的被邀请人需要满足两个条件:1、通过邀请者专属报名链接/二维码报名大赛;2、完成作品提交。【超级激励奖】奖项规则:邀请1000人报名比赛并且提交作品(重复提交作品视为无效)。12月7日前公布获奖名单,奖项设置1名,获奖者获得HUAWEI P40手机1部,先到先得。(以上奖品图片仅供参考,以实际发放为准,如遇库存不足将自动调换为同等价位的奖品,感谢大家支持)二、如何获得邀请激励(划重点!!!)路径:进入大赛页面——>“立即报名”——>点击“立即分享”——>生成专属链接/二维码——>转发给要邀请的人,提示需要完成作品提交——>等待论坛(本帖)公布获奖名单1、点击活动报名链接>>华为云API入门学习赛·AI人脸识别,或直接扫描下方二维码,“立即报名”2、报名成功后,点击报名按钮下方“立即分享”,即可生成你的专属链接/二维码三、获奖名单公布规则1、邀请人数由系统后台统计,每月晾晒一次排名,每阶段获奖名单将在本帖公示,建议收藏,敬请期待~)。2、本活动需要用户正常报名大赛并提交作品,同一电话号码的账号视为同一个用户,使用非正常途径或手段(如写脚本刷接口等方式)获得的奖励无效,且一旦发现作弊行为,华为云开发者社区将取消对应人员的获奖资格、冻结违规账号,已兑换的礼品也不予发放。3、获奖名单将于本帖置顶公示,第一阶段获奖者奖品已发放。第二阶段获奖名单已公布>>请获奖者点击填写收件信息收集问卷:https://devcloud.huaweicloud.com/expert/open-assessment/qtn?id=8b6598cd79494dadb699254e298b2ce7&utm_source=api备注:发放奖品以获奖名单中的华为云账号为准,请用获奖华为云账号登录本问卷,确保信息一致。获奖信息收集截止日期:12月7日8点。4、获奖名单公示的同时会公布兑奖信息反馈的截止时间,截止日未反馈的选手视为放弃。5、活动报名链接>>>华为云API入门学习赛·AI人脸识别(最终解释权归华为所有)
-
1.最开始是提示版本要大于3.6,后来升级了python版本到3.7之后还是失败,请问是环境配置哪里出问题了呢2.另外还有在运行目标检测例子程序的时候,前面的步骤都是正常的,也在板子上生成了可执行文件,但是最后输入参数运行的时候板子总是重启是为什么呢感谢大佬解答
-
博文【昇腾】【玩转Atals200DK系列】基于人脸识别项目——实现检测到人脸后自动发送通知邮件 详细介绍了Atlas 200 DK与E-mail的碰撞,实现得到预定的结果后,自动发送邮件通知,搭上高速的网络,实现云端的通知。博文介绍了基于C++的人脸识别项目,实现检测到注册的人脸后,自动发送通知邮件,以QQ邮箱为例。对于想在Atlas 200 DK上实现远程控制和传输信息的同学来说,非常有帮助的。文章短小精悍,过程详细具体,代码清晰,结构完整,有需要的小伙伴赶快去看看吧。博文链接:https://bbs.huaweicloud.com/blogs/173376博主:cjl68感谢博主的努力与分享!
-
SDC中的动态库,人脸检测的设置和获取人脸识别参数,给接口传参,但是报10114不支持的功能参数。参数没问题,想问下,有其他地方的问题吗?谢谢各位大佬们给些指导。
-
上面的识别对比率是通过这个函数实现的吗IVS_PU_CalcAdvanceFeatureMatch如果是的话有对应demo吗HWPuSDK.java文件里面没有对应接口呢如果自己实现是怎么操作呢
推荐直播
-
昇思MindSpore技术公开课·大模型专题(第二期)第十二课:Prompt Engineering
2024/03/31 周日 14:00-15:30
周汝霖 昇思MindSpore布道师
本期邀请到昇思MindSpore布道师、昇思十大优秀开发者周汝霖作客直播间,为大家讲解Prompt以及示例演示。Prompt Engineering(提示工程)可帮助用户将LLM(大语言模型)用于各研究领域和特定场景,从而更有助于我们了解和运用大模型,本期我们将学习这一新课题。
即将直播
热门标签