-
Notifications
You must be signed in to change notification settings - Fork 1
/
demo_goldyolo_onnx.py
1709 lines (1467 loc) · 62.4 KB
/
demo_goldyolo_onnx.py
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
474
475
476
477
478
479
480
481
482
483
484
485
486
487
488
489
490
491
492
493
494
495
496
497
498
499
500
501
502
503
504
505
506
507
508
509
510
511
512
513
514
515
516
517
518
519
520
521
522
523
524
525
526
527
528
529
530
531
532
533
534
535
536
537
538
539
540
541
542
543
544
545
546
547
548
549
550
551
552
553
554
555
556
557
558
559
560
561
562
563
564
565
566
567
568
569
570
571
572
573
574
575
576
577
578
579
580
581
582
583
584
585
586
587
588
589
590
591
592
593
594
595
596
597
598
599
600
601
602
603
604
605
606
607
608
609
610
611
612
613
614
615
616
617
618
619
620
621
622
623
624
625
626
627
628
629
630
631
632
633
634
635
636
637
638
639
640
641
642
643
644
645
646
647
648
649
650
651
652
653
654
655
656
657
658
659
660
661
662
663
664
665
666
667
668
669
670
671
672
673
674
675
676
677
678
679
680
681
682
683
684
685
686
687
688
689
690
691
692
693
694
695
696
697
698
699
700
701
702
703
704
705
706
707
708
709
710
711
712
713
714
715
716
717
718
719
720
721
722
723
724
725
726
727
728
729
730
731
732
733
734
735
736
737
738
739
740
741
742
743
744
745
746
747
748
749
750
751
752
753
754
755
756
757
758
759
760
761
762
763
764
765
766
767
768
769
770
771
772
773
774
775
776
777
778
779
780
781
782
783
784
785
786
787
788
789
790
791
792
793
794
795
796
797
798
799
800
801
802
803
804
805
806
807
808
809
810
811
812
813
814
815
816
817
818
819
820
821
822
823
824
825
826
827
828
829
830
831
832
833
834
835
836
837
838
839
840
841
842
843
844
845
846
847
848
849
850
851
852
853
854
855
856
857
858
859
860
861
862
863
864
865
866
867
868
869
870
871
872
873
874
875
876
877
878
879
880
881
882
883
884
885
886
887
888
889
890
891
892
893
894
895
896
897
898
899
900
901
902
903
904
905
906
907
908
909
910
911
912
913
914
915
916
917
918
919
920
921
922
923
924
925
926
927
928
929
930
931
932
933
934
935
936
937
938
939
940
941
942
943
944
945
946
947
948
949
950
951
952
953
954
955
956
957
958
959
960
961
962
963
964
965
966
967
968
969
970
971
972
973
974
975
976
977
978
979
980
981
982
983
984
985
986
987
988
989
990
991
992
993
994
995
996
997
998
999
1000
#!/usr/bin/env python
import cv2
import copy
import math
import time
import numpy as np
import onnxruntime
from argparse import ArgumentParser
from typing import Tuple, Optional, List
from dataclasses import dataclass
RED="\033[31m"
YELLOW="\033[33m"
GREEN="\033[32m"
BLUE="\033[34m"
RESET="\033[0m"
@dataclass(frozen=False)
class PaddingsAndScale():
padding_height: int # 224x224へリサイズするときに足された合計パディング幅(奇数になることがある)
padding_width: int # 224x224へリサイズするときに足された合計パディング高(奇数になることがある)
scale_height: float # 224x224へリサイズするときの元画像の幅スケール比率
scale_width: float # 224x224へリサイズするときの元画像の高スケール比率
@dataclass(frozen=False)
class Point3D():
x: float # 横
y: float # 縦
z: float # 前後
depth: int # 距離
@dataclass(frozen=False)
class Palm():
cx: float # 手のひら中心X, 元画像上でのスケール値を保持
cy: float # 手のひら中心Y, 元画像上でのスケール値を保持
width: float # 手のひら幅, 元画像上でのスケール値を保持
height: float # 手のひら高さ, 元画像上でのスケール値を保持
degree: float # 手のひら回転角(degree)
@dataclass(frozen=False)
class Hand():
cx: float # 中心X
cy: float # 中心Y
x1: float # xmin
y1: float # ymin
x2: float # xmax
y2: float # ymax
vector_x: float # 回転ベクトルX
vector_y: float # 回転ベクトルY
vector_z: float # 回転ベクトルZ
quaternion_x: float # クォータニオンX
quaternion_y: float # クォータニオンY
quaternion_z: float # クォータニオンZ
quaternion_w: float # クォータニオンW
keypoints: List[Point3D] # キーポイントN点
palm: Palm # 手のひら
class GoldYOLOONNX(object):
def __init__(
self,
model_path: Optional[str] = 'gold_yolo_n_hand_post_0303_0.4172_1x3x480x640.onnx',
class_score_th: Optional[float] = 0.35,
providers: Optional[List] = [
(
'TensorrtExecutionProvider', {
'trt_engine_cache_enable': True,
'trt_engine_cache_path': '.',
'trt_fp16_enable': True,
}
),
'CUDAExecutionProvider',
'CPUExecutionProvider',
],
):
"""GoldYOLOONNX
Parameters
----------
model_path: Optional[str]
ONNX file path for GoldYOLO
class_score_th: Optional[float]
Score threshold. Default: 0.35
providers: Optional[List]
Name of onnx execution providers
Default:
[
(
'TensorrtExecutionProvider', {
'trt_engine_cache_enable': True,
'trt_engine_cache_path': '.',
'trt_fp16_enable': True,
}
),
'CUDAExecutionProvider',
'CPUExecutionProvider',
]
"""
# Threshold
self.class_score_th = class_score_th
# Model loading
session_option = onnxruntime.SessionOptions()
session_option.log_severity_level = 3
self.onnx_session = onnxruntime.InferenceSession(
model_path,
sess_options=session_option,
providers=providers,
)
self.providers = self.onnx_session.get_providers()
self.input_shapes = [
input.shape for input in self.onnx_session.get_inputs()
]
self.input_names = [
input.name for input in self.onnx_session.get_inputs()
]
self.output_names = [
output.name for output in self.onnx_session.get_outputs()
]
def __call__(
self,
image: np.ndarray,
) -> Tuple[np.ndarray, np.ndarray]:
"""GoldYOLOONNX
Parameters
----------
image: np.ndarray
Entire image (RGB)
Returns
-------
boxes: np.ndarray
Predicted boxes: [N, y1, x1, y2, x2]
scores: np.ndarray
Predicted box scores: [N, score]
"""
temp_image = copy.deepcopy(image)
# PreProcess
resized_image = self.__preprocess(
temp_image,
)
# Inference
inferece_image = np.asarray([resized_image], dtype=np.float32)
boxes = self.onnx_session.run(
self.output_names,
{input_name: inferece_image for input_name in self.input_names},
)[0]
# PostProcess
result_boxes, result_scores = \
self.__postprocess(
image=temp_image,
boxes=boxes,
)
return result_boxes, result_scores
def __preprocess(
self,
image: np.ndarray,
swap: Optional[Tuple[int,int,int]] = (2, 0, 1),
) -> np.ndarray:
"""__preprocess
Parameters
----------
image: np.ndarray
Entire image
swap: tuple
HWC to CHW: (2,0,1)\n
CHW to HWC: (1,2,0)\n
HWC to HWC: (0,1,2)\n
CHW to CHW: (0,1,2)
Returns
-------
resized_image: np.ndarray
Resized and normalized image.
"""
# Normalization + BGR->RGB
resized_image = cv2.resize(
image,
(
int(self.input_shapes[0][3]),
int(self.input_shapes[0][2]),
)
)
resized_image = np.divide(resized_image, 255.0)
resized_image = resized_image.transpose(swap)
resized_image = np.ascontiguousarray(
resized_image,
dtype=np.float32,
)
return resized_image
def __postprocess(
self,
image: np.ndarray,
boxes: np.ndarray,
) -> Tuple[np.ndarray, np.ndarray]:
"""__postprocess
Parameters
----------
image: np.ndarray
Entire image.
boxes: np.ndarray
float32[N, 7]
Returns
-------
result_boxes: np.ndarray
Predicted boxes: [N, y1, x1, y2, x2]
result_scores: np.ndarray
Predicted box confs: [N, score]
"""
image_height = image.shape[0]
image_width = image.shape[1]
"""
Detector is
N -> Number of boxes detected
batchno -> always 0: BatchNo.0
batchno_classid_y1x1y2x2_score: float32[N,7]
"""
result_boxes = []
result_scores = []
if len(boxes) > 0:
scores = boxes[:, 6:7]
keep_idxs = scores[:, 0] > self.class_score_th
scores_keep = scores[keep_idxs, :]
boxes_keep = boxes[keep_idxs, :]
if len(boxes_keep) > 0:
for box, score in zip(boxes_keep, scores_keep):
cx = (box[2] + box[4]) // 2
cy = (box[3] + box[5]) // 2
w = abs(box[2] - box[4]) * 1.2
h = abs(box[3] - box[5]) * 1.2
x_min = int(max(cx - w // 2, 0) * image_width / self.input_shapes[0][3])
y_min = int(max(cy - h // 2, 0) * image_height / self.input_shapes[0][2])
x_max = int(min(cx + w // 2, self.input_shapes[0][3]) * image_width / self.input_shapes[0][3])
y_max = int(min(cy + h // 2, self.input_shapes[0][2]) * image_height / self.input_shapes[0][2])
result_boxes.append([x_min, y_min, x_max, y_max])
result_scores.append(score)
return np.asarray(result_boxes), np.asarray(result_scores)
class PalmDetectionONNX(object):
def __init__(
self,
model_path: Optional[str] = 'palm_detection_full_Nx3x192x192_post.onnx',
class_score_th: Optional[float] = 0.20,
providers: Optional[List] = [
(
'TensorrtExecutionProvider', {
'trt_engine_cache_enable': True,
'trt_engine_cache_path': '.',
'trt_fp16_enable': True,
}
),
'CUDAExecutionProvider',
'CPUExecutionProvider',
],
):
"""PalmDetectionONNX
Parameters
----------
model_path: Optional[str]
ONNX file path for PalmDetection
class_score_th: Optional[float]
Score threshold. Default: 0.30
providers: Optional[List]
Name of onnx execution providers
Default:
[
(
'TensorrtExecutionProvider', {
'trt_engine_cache_enable': True,
'trt_engine_cache_path': '.',
'trt_fp16_enable': True,
}
),
'CUDAExecutionProvider',
'CPUExecutionProvider',
]
"""
# Threshold
self.class_score_th = class_score_th
# Model loading
session_option = onnxruntime.SessionOptions()
session_option.log_severity_level = 3
self.onnx_session = onnxruntime.InferenceSession(
model_path,
sess_options=session_option,
providers=providers,
)
self.providers = self.onnx_session.get_providers()
self.input_shapes = [
input.shape for input in self.onnx_session.get_inputs()
]
self.input_names = [
input.name for input in self.onnx_session.get_inputs()
]
self.output_names = [
output.name for output in self.onnx_session.get_outputs()
]
def __call__(
self,
image: np.ndarray,
hand_infos: List[Hand],
) -> Tuple[np.ndarray, np.ndarray]:
"""PalmDetectionONNX
Parameters
----------
image: np.ndarray
全体画像
hand_infos: List[Hand]
手の位置情報のリスト
Returns
-------
hand_infos: List[Hand]
手の回転角セット済みの手の位置情報リスト
"""
if len(hand_infos) == 0:
return hand_infos
temp_image = copy.deepcopy(image)
temp_hand_infos = copy.deepcopy(hand_infos)
# PreProcess
hand_images, hand_192x192_images, normalized_hand_192x192_images = \
self.__preprocess(
image=temp_image,
hand_infos=temp_hand_infos,
)
# Inference
batch_nums, score_cx_cy_w_wristcenterxy_middlefingerxys = \
self.onnx_session.run(
self.output_names,
{input_name: normalized_hand_192x192_images for input_name in self.input_names},
)
# PostProcess
# 手のひらの回転角を算出して手情報にセットする
hand_infos = \
self.__postprocess(
hand_192x192_images=hand_192x192_images,
hand_infos=temp_hand_infos,
batch_nums=batch_nums,
score_cx_cy_w_wristcenterxy_middlefingerxys=score_cx_cy_w_wristcenterxy_middlefingerxys,
)
# 元画像スケールの手のひら位置情報のリスト, (デバッグ用途) 回転角をゼロ度に調整した手のひら画像のリスト [N, H, W, 3]
return hand_infos
def __preprocess(
self,
*,
image: np.ndarray,
hand_infos: List[Hand],
swap: Optional[Tuple[int,int,int]] = (2, 0, 1),
) -> Tuple[List[np.ndarray], np.ndarray, np.ndarray]:
"""__preprocess
Parameters
----------
image: np.ndarray
全体画像
hand_infos: List[Hand]
手の位置情報のリスト
swap: tuple
HWC to CHW: (2,0,1)\n
CHW to HWC: (1,2,0)\n
HWC to HWC: (0,1,2)\n
CHW to CHW: (0,1,2)
Returns
-------
hand_images: List[np.ndarray]
元画像からクロップした手の画像のリスト\n
正方形ではない\n
uint8 [N,H,W,3]
hand_192x192_images: np.ndarray
アスペクトレシオを維持したまま192x192へ収まるようにリサイズしたうえで192x192へパディングした手の画像\n
uint8 [N,192,192,3]
normalized_hand_images: np.ndarray
正規化済み、なおかつ アスペクトレシオを維持したまま192x192へ収まるようにリサイズしたうえで192x192へパディングした手の画像\n
float32 [N,3,192,192]
"""
hand_images: List[np.ndarray] = []
hand_192x192_images: List[np.ndarray] = []
normalized_hand_192x192_images: List[np.ndarray] = []
image_height = image.shape[0]
image_width = image.shape[1]
for hand_info in hand_infos:
# 手の検出情報を元にして全体画像から手の画像をクロッピング
hand_image = \
image[
int(hand_info.y1*image_height):int(hand_info.y2*image_height),
int(hand_info.x1*image_width):int(hand_info.x2*image_width),
:
]
# 処理対象:クロップした手画像 (元画像スケール)
# 非ノーマライゼーション
hand_images.append(hand_image)
# PalmDetectionモデルの入力サイズ 192x192 へアスペクトレシオを維持しながらリサイズして正方形にパディング
padded_hand_image, resized_hand_image = \
keep_aspect_resize_and_pad(
image=hand_image,
resize_width=int(self.input_shapes[0][3]),
resize_height=int(self.input_shapes[0][2]),
)
# 処理対象:アスペクトレシオを維持しながら192x192にリサイズとパディングを施した手画像
# 非ノーマライゼーション
unnormalized_hand_image = copy.deepcopy(padded_hand_image)
# [N,192,192,3]
hand_192x192_images.append(unnormalized_hand_image)
# 処理対象:アスペクトレシオを維持しながら192x192にリサイズとパディングを施した手画像
# ノーマライゼーション
normalized_hand_image = np.divide(padded_hand_image, 255.0)
normalized_hand_image = normalized_hand_image.transpose(swap)
normalized_hand_image = \
np.ascontiguousarray(
normalized_hand_image,
dtype=np.float32,
)
# [N,3,192,192]
normalized_hand_192x192_images.append(normalized_hand_image)
return \
hand_images, \
np.asarray(hand_192x192_images, dtype=np.uint8), \
np.asarray(normalized_hand_192x192_images, dtype=np.float32)
def __postprocess(
self,
*,
hand_192x192_images: List[np.ndarray],
hand_infos: List[Hand],
batch_nums: np.ndarray,
score_cx_cy_w_wristcenterxy_middlefingerxys: np.ndarray,
) -> Tuple[List[Hand], np.ndarray]:
"""__postprocess
手のひらの回転角を算出して手情報にセットする
Parameters
----------
hand_192x192_images: np.ndarray
アスペクトレシオを維持したまま192x192へ収まるようにリサイズしたうえで192x192へパディングした手の画像\n
uint8 [N,192,192,3]
hand_infos: List[Hand]
元画像スケールでの手の位置情報のリスト\n
すべてスケール値で値を保持している (ピクセル座標ではない)
batch_nums: np.ndarray
int64 [N, 1]
score_cx_cy_w_wristcenterxy_middlefingerxys: np.ndarray
float32 [N, 8]
Returns
-------
hand_infos: List[Hand]
クロップ済みで回転前の元画像スケールでの手のひら位置情報を計算したPalmをセットしたHandのリスト\n
すべてスケール値で保持\n
[cx, cy, width, height, degree]
"""
keep = score_cx_cy_w_wristcenterxy_middlefingerxys[:, 0] > self.class_score_th
score_cx_cy_w_wristcenterxy_middlefingerxys = score_cx_cy_w_wristcenterxy_middlefingerxys[keep, :]
batch_nums = batch_nums[keep, :]
for hand_192x192_image, hand_info, score_cx_cy_w_wristcenterxy_middlefingerxy \
in zip(hand_192x192_images, hand_infos, score_cx_cy_w_wristcenterxy_middlefingerxys):
image_height = hand_192x192_image.shape[0]
image_width = hand_192x192_image.shape[1]
score: float = score_cx_cy_w_wristcenterxy_middlefingerxy[0] # スコア
wh = max(image_width, image_height)
w: int = int(score_cx_cy_w_wristcenterxy_middlefingerxy[3] * wh) # 192x192画像内を基準とした手のひらの幅, ピクセル座標
wrist_cx: int = int(score_cx_cy_w_wristcenterxy_middlefingerxy[4] * image_width) # 192x192画像内を基準とした手首座標X, ピクセル座標
wrist_cy: int = int(score_cx_cy_w_wristcenterxy_middlefingerxy[5] * image_height) # 192x192画像内を基準とした手首座標Y, ピクセル座標
middlefinger_x: int = int(score_cx_cy_w_wristcenterxy_middlefingerxy[6] * image_width) # 192x192画像内を基準とした中指座標X, ピクセル座標
middlefinger_y: int = int(score_cx_cy_w_wristcenterxy_middlefingerxy[7] * image_height) # 192x192画像内を基準とした中指座標Y, ピクセル座標
# ここ以下の処理はスケール値をピクセル座標に変換してから処理する
if w > 0:
# HandLandmark Detection 用の正方形画像の生成
kp02_x = middlefinger_x - wrist_cx
kp02_y = middlefinger_y - wrist_cy
rotation = 0.5 * math.pi - math.atan2(-kp02_y, kp02_x) # radians
rotation = normalize_radians(angle=rotation) # normalized radians
degree = np.rad2deg(rotation) # radians to degree
# クロップ済みで回転前の元画像スケールでの手のひら位置情報を保存する
# palm_info = np.asarray([cx, cy, width, height, degree], dtype=np.float32)
# cx, cy, width, height はスケール値
palm = \
Palm(
cx=hand_info.cx,
cy=hand_info.cy,
width=abs(hand_info.x2 - hand_info.x1) / 2,
height=abs(hand_info.y2 - hand_info.y1) / 2,
degree=degree,
)
hand_info.palm = palm
else:
# 検出した手のひらのサイズが正常ではない場合はからの手のひら情報を生成する
palm = \
Palm(
cx=None,
cy=None,
width=None,
height=None,
degree=None,
)
hand_info.palm = palm
# 元画像スケールの手のひら位置情報, (デバッグ用途)クロップして回転角ゼロ度に調整した手のひら画像のリスト
return hand_infos
class HandLandmarkDetectionONNX(object):
def __init__(
self,
model_path: Optional[str] = 'hand_landmark_sparse_Nx3x224x224.onnx',
class_score_th: Optional[float] = 0.20,
providers: Optional[List] = [
(
'TensorrtExecutionProvider', {
'trt_engine_cache_enable': True,
'trt_engine_cache_path': '.',
'trt_fp16_enable': True,
}
),
'CUDAExecutionProvider',
'CPUExecutionProvider',
],
):
"""HandLandmarkDetectionONNX
Parameters
----------
model_path: Optional[str]
ONNX file path for HandLandmark Detection
class_score_th: Optional[float]
Score threshold. Default: 0.20
providers: Optional[List]
Name of onnx execution providers
Default:
[
(
'TensorrtExecutionProvider', {
'trt_engine_cache_enable': True,
'trt_engine_cache_path': '.',
'trt_fp16_enable': True,
}
),
'CUDAExecutionProvider',
'CPUExecutionProvider',
]
"""
# Threshold
self.class_score_th = class_score_th
# Model loading
session_option = onnxruntime.SessionOptions()
session_option.log_severity_level = 3
self.onnx_session = onnxruntime.InferenceSession(
model_path,
sess_options=session_option,
providers=providers,
)
self.providers = self.onnx_session.get_providers()
self.input_shapes = [
input.shape for input in self.onnx_session.get_inputs()
]
self.input_names = [
input.name for input in self.onnx_session.get_inputs()
]
self.output_names = [
output.name for output in self.onnx_session.get_outputs()
]
def __call__(
self,
image: np.ndarray,
hand_infos: List[Hand],
) -> Tuple[np.ndarray, np.ndarray]:
"""HandLandmarkDetectionONNX
Parameters
----------
image: np.ndarray
全体画像
hand_infos: List[Hand]
手の位置情報のリスト
Returns
-------
hand_infos: List[Hand]
手のキーポイントセット済みの手のひら情報リスト
"""
if len(hand_infos) == 0:
return hand_infos
temp_image = copy.deepcopy(image)
temp_hand_infos = copy.deepcopy(hand_infos)
# PreProcess
hand_images, hand_224x224_images, normalized_hand_224x224_images, paddings_and_scales, rec_size_difference_rotation_angles = \
self.__preprocess(
image=temp_image,
hand_infos=temp_hand_infos,
)
# 処理対象の手のイメージが1件以上あるときのみ処理する
if len(normalized_hand_224x224_images) > 0:
# Inference
# xyz_x21s: float32 [hands, 63], xyz*21
# hand_scores: float32 [hands, 1]
# lefthand_0_or_righthand_1s: float32 [hands, 1]
xyz_x21s, hand_scores, lefthand_0_or_righthand_1s = \
self.onnx_session.run(
self.output_names,
{input_name: normalized_hand_224x224_images for input_name in self.input_names},
)
# PostProcess
hand_infos = \
self.__postprocess(
image=temp_image,
hand_224x224_images=hand_224x224_images,
hand_infos=temp_hand_infos,
xyz_x21s=xyz_x21s,
hand_scores=hand_scores,
lefthand_0_or_righthand_1s=lefthand_0_or_righthand_1s,
paddings_and_scales=paddings_and_scales,
rec_size_difference_rotation_angles=rec_size_difference_rotation_angles,
)
# 元画像スケールの手のひら位置情報のリスト
return hand_infos
def __preprocess(
self,
*,
image: np.ndarray,
hand_infos: List[Hand],
swap: Optional[Tuple[int,int,int]] = (2, 0, 1),
) -> Tuple[List[np.ndarray], np.ndarray, np.ndarray, List[PaddingsAndScale], List[List[int]]]:
"""__preprocess
Parameters
----------
image: np.ndarray
全体画像
hand_infos: List[Hand]
手の位置情報のリスト
swap: tuple
HWC to CHW: (2,0,1)
CHW to HWC: (1,2,0)
HWC to HWC: (0,1,2)
CHW to CHW: (0,1,2)
Returns
-------
hand_images: List[np.ndarray]
元画像からクロップした手の画像のリスト, 正方形ではない uint8 [N,H,W,3]
hand_224x224_images: np.ndarray
アスペクトレシオを維持したまま224x224へ収まるようにリサイズしたうえで224x224へパディングした手の画像 uint8 [N,224,224,3]
normalized_hand_images: np.ndarray
正規化済み、なおかつ、アスペクトレシオを維持したまま224x224へ収まるようにリサイズしたうえで224x224へパディングした手の画像 float32 [N,3,224,224]
paddings_and_scales: List[PaddingsAndScale]
パディングピクセル数と手画像のスケールレシオ ([H,W,3]から[224,224,3]へ変換したときの変換倍率)
[[padding_height, padding_width, scale_height, scale_width],[...],[...]]
rec_size_difference_rotation_angles: List[List[int]]
矩形クロップをするときに生じた幅と高さのサイズの差分。左右合計差分サイズと上下合計差分サイズ。\n
最終的に元の座標系に戻すときには各値を2分の1にして減算して使用する。
[[w,h], [w,h], ...] -> [[6,3], [10,15], ...]
"""
hand_images: List[np.ndarray] = []
hand_224x224_images: List[np.ndarray] = []
normalized_hand_224x224_images: List[np.ndarray] = []
paddings_and_scales: List[PaddingsAndScale] = []
rec_size_differences: List[List[int]] = []
image_height = image.shape[0]
image_width = image.shape[1]
for hand_info in hand_infos:
# 手のひらが未検出の場合は処理をスキップする
if hand_info == []:
continue
if hand_info.palm is None:
continue
# 手の検出情報を元にして全体画像から手の画像をクロッピング
# 非回転の手の画像
hand_image = \
image[
int(hand_info.y1*image_height):int(hand_info.y2*image_height),
int(hand_info.x1*image_width):int(hand_info.x2*image_width),
:
]
# 全体画像から1件分の回転角ゼロ度の手の画像をクロップして取得
rotated_hand_image: List[np.ndarray] = [] # 回転角をゼロ度に調整してクロップした手の画像
rotated_hand_image, rec_size_difference_rotation_angles = \
rotate_and_crop_rectangle(
image=image,
rects=np.asarray(
[[
hand_info.cx * image_width,
hand_info.cy * image_height,
abs(hand_info.x2 - hand_info.x1) * image_width,
abs(hand_info.y2 - hand_info.y1) * image_height,
hand_info.palm.degree,
]]
),
update_rects=True,
)
if len(rec_size_difference_rotation_angles) == 0:
continue
hand_image = rotated_hand_image[0]
rec_size_difference = rec_size_difference_rotation_angles[0]
# 処理対象:クロップした手画像 (元画像スケール)
# 非ノーマライゼーション
hand_images.append(hand_image)
rec_size_differences.append(rec_size_difference)
# HandLandmark Detectionモデルの入力サイズ 224x224 へアスペクトレシオを維持しながらリサイズして正方形にパディング
# padded_hand_image: アスペクトレシオを維持しながら224x224へリサイズしたうえで224x224へパディングした画像
# resized_hand_image: アスペクトレシオを維持しながら224x224へリサイズしたうえで224x224へパディングしていない画像(元画像からクロップした手画像からのスケールレシオ算出用)
padded_hand_image, resized_hand_image = \
keep_aspect_resize_and_pad(
image=hand_image,
resize_width=int(self.input_shapes[0][3]),
resize_height=int(self.input_shapes[0][2]),
)
# 処理対象:アスペクトレシオを維持しながら224x224にリサイズとパディングを施した手画像
# 非ノーマライゼーション
unnormalized_hand_image = copy.deepcopy(padded_hand_image)
# [N,224,224,3]
hand_224x224_images.append(unnormalized_hand_image)
# 処理対象:アスペクトレシオを維持しながら224x224にリサイズとパディングを施した手画像
# ノーマライゼーション
normalized_hand_image = np.divide(padded_hand_image, 255.0)
normalized_hand_image = normalized_hand_image.transpose(swap)
normalized_hand_image = \
np.ascontiguousarray(
normalized_hand_image,
dtype=np.float32,
)
# [N,3,224,224]
normalized_hand_224x224_images.append(normalized_hand_image)
# 元画像[H,W,3]から224x224画像[224,224,3]に変換されたあとのパディング部分を除いた手のひら画像部分のスケールレシオと224x224に加工したときに付与したパディングサイズを計算する
# padding_width: 左右の合計パディングピクセル数
# padding_height: 上下の合計パディングピクセル数
# paddings_and_scales: [padding_height, padding_width, scale_height, scale_width]
padding_height: int = abs(padded_hand_image.shape[0] - resized_hand_image.shape[0]) \
if padded_hand_image.shape[0] - resized_hand_image.shape[0] >= 0 else 0
padding_width: int = abs(padded_hand_image.shape[1] - resized_hand_image.shape[1]) \
if padded_hand_image.shape[1] - resized_hand_image.shape[1] >= 0 else 0
scale_height: float = resized_hand_image.shape[0] / hand_image.shape[0]
scale_width: float = resized_hand_image.shape[1] / hand_image.shape[1]
paddings_and_scales.append(
PaddingsAndScale(
padding_height=padding_height,
padding_width=padding_width,
scale_height=scale_height,
scale_width=scale_width,
)
)
return \
hand_images, \
np.asarray(hand_224x224_images, dtype=np.uint8), \
np.asarray(normalized_hand_224x224_images, dtype=np.float32), \
paddings_and_scales, \
rec_size_differences
def __postprocess(
self,
*,
image: np.ndarray,
hand_224x224_images: List[np.ndarray],
hand_infos: List[Hand],
xyz_x21s: np.ndarray,
hand_scores: np.ndarray,
lefthand_0_or_righthand_1s: np.ndarray,
paddings_and_scales: List[PaddingsAndScale],
rec_size_difference_rotation_angles: List[List[int]]
) -> List[Hand]:
"""__postprocess
検出した手のキーポイント21点を元画像のスケールに戻す
Parameters
----------
image: np.ndarray
全体画像
hand_224x224_images: np.ndarray
アスペクトレシオを維持したまま224x224へ収まるようにリサイズしたうえで224x224へパディングした手の画像\n
uint8 [N,224,224,3]
hand_infos: List[Hand]
元画像スケールでの手の位置情報のリスト\n
すべてスケール値で値を保持している (ピクセル座標ではない)
xyz_x21s: np.ndarray
float32 [N, 63], xyz*21
hand_scores: np.ndarray
float32 [N, 1]
lefthand_0_or_righthand_1s: np.ndarray
float32 [N, 1], 左手=0, 右手=1, 精度が低い
paddings_and_scales: List[PaddingsAndScale]
パディングピクセル数と手画像のスケールレシオ ([H,W,3]から[224,224,3]へ変換したときの変換倍率)\n
[[padding_height, padding_width, scale_height, scale_width],[...],[...]]
rec_size_difference_rotation_angles: List[List[int]]
矩形クロップをするときに生じた幅と高さのサイズの差分。左右合計差分サイズと上下合計差分サイズ。\n
最終的に元の座標系に戻すときには各値を2分の1にして減算して使用する。\n
[[w,h], [w,h], ...] -> [[6,3], [10,15], ...]
Returns
-------
hand_infos: List[Hand]
手のキーポイント21点をセットした手の位置情報\n
すべてスケール値で保持
"""
image_height = image.shape[0]
image_width = image.shape[1]
xyz_x21s = xyz_x21s.reshape([-1, 21, 3]) # [N, 65] -> [N, 21, XYZ]
keep = hand_scores[:, 0] > self.class_score_th
hand_224x224_images = [
hand_224x224_image \
for idx, hand_224x224_image in enumerate(hand_224x224_images) if keep[idx]
]
xyz_x21s = xyz_x21s[keep, ...]
hand_scores = hand_scores[keep, ...]
lefthand_0_or_righthand_1s = lefthand_0_or_righthand_1s[keep, ...]
rec_size_difference_rotation_angles = [
rec_size_difference_rotation_angle \
for idx, rec_size_difference_rotation_angle in enumerate(rec_size_difference_rotation_angles) if keep[idx]
]
paddings_and_scales = [
paddings_and_scale \
for idx, paddings_and_scale in enumerate(paddings_and_scales) if keep[idx]
]
keeps = [
kidx \
for kidx, kvalue in enumerate(keep) if kvalue
]
for idx, (hand_224x224_image, kidx, xyz_x21, lefthand_0_or_righthand_1, paddings_and_scale) \
in enumerate(zip(hand_224x224_images, keeps, xyz_x21s, lefthand_0_or_righthand_1s, paddings_and_scales)):
# 入力画像のスケールに戻す
# 1. 224x224画像を使用して推論したキーポイントの座標情報は、パディングとスケールが反映された値になっている
# 2. キーポイントの座標情報からパディング幅の2分の1を引き算、パディング高の2分の1を引き算(注意点は、パディングサイズが奇数だったときに1ピクセルの調整が必要になること)
# 3. キーポイントの座標情報を幅スケール率と高スケール率を使用して元画像のスケールに戻す
# 4. hand_info の degree (回転角) を元にして座標値に回転戻しを適用する
# xyz_x21: [21, XY]
hand_info = hand_infos[kidx]
# 手のひらの情報が取得できていないときは処理をスキップする
if hand_info.palm is None:
continue
# 224x224の座標系に対して、224x224へ変更するときに適用したパディングとリサイズの影響を取り除く
# 座標値は全体画像の座標系ではなく、パディングとリサイズを元に戻した手のひらの部分だけの座標系
xyz_x21[:, 0] = xyz_x21[:, 0] - paddings_and_scale.padding_width // 2
xyz_x21[:, 0] = xyz_x21[:, 0] / paddings_and_scale.scale_width
xyz_x21[:, 1] = xyz_x21[:, 1] - paddings_and_scale.padding_height // 2
xyz_x21[:, 1] = xyz_x21[:, 1] / paddings_and_scale.scale_height
cx = 112 - paddings_and_scale.padding_width // 2
cx = cx / paddings_and_scale.scale_width
cy = 112 - paddings_and_scale.padding_height // 2
cy = cy / paddings_and_scale.scale_height
temp_image = copy.deepcopy(hand_224x224_image)
temp_image = temp_image[
paddings_and_scale.padding_height // 2:temp_image.shape[0]-paddings_and_scale.padding_height // 2,
paddings_and_scale.padding_width // 2:temp_image.shape[1]-paddings_and_scale.padding_width // 2,
:
]
temp_image = cv2.resize(
src=temp_image,
dsize=(int(temp_image.shape[1]/paddings_and_scale.scale_width), int(temp_image.shape[0]/paddings_and_scale.scale_height))
)
temp_image_cx = int(temp_image.shape[1] / 2)
temp_image_cy = int(temp_image.shape[0] / 2)
temp_image = image_rotation_without_crop(images=[temp_image], angles=[-hand_info.palm.degree])
# パディングとリサイズを元に戻した手のひら画像に対して回転角を元に戻す
rotated_xyz_x21 = \
rotate_points_around_center_3d(
points_xyz=xyz_x21,
degree=hand_info.palm.degree,
cx=temp_image_cx,
cy=temp_image_cy,
cz=0.0,
)
# z:
# 手首のキーポイントの位置を0.0とした数値 (ほぼ0.0だが0.0よりほんの少し大きい値になる)
# 手前方向がマイナス値、奥方向がプラス値
# 正規化されていないうえに数値の下限と上限は不明
#
# output_image_20231114_173009.png 手首z: 0.0001862049102783203, 中指先端z: 45.90625
# output_image_20231114_173017.png 手首z: 0.00020122528076171875, 中指先端z: 61.59375
# output_image_20231114_173022.png 首z: 0.0001690387725830078, 中指先端z: 1.0263671875
# output_image_20231114_173026.png 手首z: 0.00021648406982421875, 中指先端z: -73.5625
# output_image_20231114_173031.png 手首z: 0.0002181529998779297, 中指先端z: -65.8125
# output_image_20231114_174046.png 手首z: 0.0002727508544921875, 中指先端z: -79.875
# output_image_20231114_174311.png 手首z: 0.00013566017150878906, 中指先端z: 63.75
hand_info.keypoints = [
Point3D(
x=(x + hand_info.x1 * image_width - rec_size_difference_rotation_angles[idx][0] / 2) / image_width,
y=(y + hand_info.y1 * image_height - rec_size_difference_rotation_angles[idx][1] / 2) / image_height,
z=z,
depth=None,
) for x, y, z in rotated_xyz_x21
]
# debug
if len(hand_infos) > 0 and hand_infos[0].keypoints is not None and len(hand_infos[0].keypoints) > 0:
print(f'{GREEN}手首z:{RESET} {hand_infos[0].keypoints[0].z}, {YELLOW}中指先端z:{RESET} {hand_infos[0].keypoints[12].z}')
# 元画像スケールの手のひら位置情報
return hand_infos
def pad_image(
*,
image: np.ndarray,
resize_width: int,
resize_height: int,
) -> np.ndarray:
"""画像の周囲を、指定された外接矩形サイズにパディング
Parameters
----------