• ONNX-PPHuman行人检测
• • 模型开发和部署
  • API接口

ONNX-PPHuman行人检测

使用ONNX Runtime推理引擎调用 ONNX 格式的PaddleDetection预训练模型：mot_ppyoloe_l_36e_pipeline 开发的行人检测应用。

在推理之前需要首先使用PaddlePaddle的paddle2onnx工具将PaddlePaddle格式的预训练模型转换为ONNX格式：

pip install paddle2onnx
wget https://bj.bcebos.com/v1/paddledet/models/pipeline/mot_ppyoloe_l_36e_pipeline.zip
解压.zip文件
paddle2onnx --model_dir ./mot_ppyoloe_l_36e_pipeline --model_filename model.pdmodel --params_filename model.pdiparams --opset_version 11 --save_file ./mot_ppyoloe_l_36e_pipeline.onnx

模型开发和部署

• 本模型基于 ServiceBoot微服务引擎 开发，参见： 《CubeAI模型开发指南》 。

• 本模型可发布至 CubeAI智立方平台 进行共享和部署，参见： 《CubeAI模型发布指南》 。

• 本模型还可直接基于git源代码在本机进行部署和运行，参见： 《CubeAI模型独立部署指南》 或 CubeAI Docker Builder 。

• 更多CubeAI模型样例请参见： 《CubeAI模型示范库》 。

• 测试和演示本模型时，如果需要用到视频流媒体服务，其环境搭建可参见：

  • 《基于rtsp-simple-server和ffmpeg搭建流媒体服务器指南》
  • 《基于Nginx和ffmpeg搭建流媒体服务器指南》

API接口

本模型提供了4个API接口：

• API接口1：

  • API端点： /api/data
    ``

  • HTTP方法： POST

  • HTTP请求体：

    {
        "action": "predict",
        "args": {
            "img": <压缩图像的base64编码字符串（或其Data URL表示）>
        }
    }
    

  • HTTP响应体：

    {
        "status": "ok"|"err",
        "value": [<results>, <带目标检测标注的base64编码压缩图像URL>]
    }
    

• API接口2：

  • API端点： /api/data

  • HTTP方法： POST

  • HTTP请求体：

    {
        "action": "predict_video",
        "args": {
            "url": <云端视频流媒体URL, 例如： rtmp://localhost/live/ch1>
        }
    }
    

  • HTTP响应体：

    {
        "status": "ok"|"err",
        "value": <(流媒体当前帧图像)带目标检测标注的base64编码压缩图像URL>
    }
    

• API接口3：

  • API端点： /api/stream/predict

  • HTTP方法： POST

  • HTTP请求体： <二进制编码的压缩图像字节流>

  • HTTP响应体： 同API接口1

• API接口4：

  • API端点： /api/file/predict

  • HTTP方法： POST

  • HTTP请求体： <用于HTTP文件上传的XHR格式请求体>

  • HTTP响应体： 同API接口1