人手关键点检测算法示例
功能介绍
人手关键点检测算法示例订阅图片和包含人手框信息的智能msg,利用BPU进行算法推理,发布包含人手关键点信息的算法msg。
人手关键点索引如下图:
物料清单
准备工作
• 地平线RDK已烧录好地平线提供的Ubuntu 20.04系统镜像
• 摄像头正确连接到RDK X3
使用方法
1.安装功能包
启动机器人后,通过SSH终端或者VNC连接机器人,点击本页面右上方的“一键部署”按钮,复制如下命令在RDK的系统上运行,完成相关Node的安装。
tros foxy 版本
sudo apt update
sudo apt install -y tros-hand-lmk-detection
tros humble 版本
sudo apt update
sudo apt install -y tros-humble-hand-lmk-detection
2.运行人手关键点检测功能
使用MIPI摄像头发布图片
tros foxy 版本
# 配置tros.b环境
source /opt/tros/setup.bash
# 从tros.b的安装路径中拷贝出运行示例需要的配置文件。
cp -r /opt/tros/${TROS_DISTRO}/lib/mono2d_body_detection/config/ .
cp -r /opt/tros/${TROS_DISTRO}/lib/hand_lmk_detection/config/ .
# 配置MIPI摄像头
export CAM_TYPE=mipi
# 启动launch文件
ros2 launch hand_lmk_detection hand_lmk_detection.launch.py
tros humble 版本
# 配置tros.b humble环境
source /opt/tros/humble/setup.bash
# 从tros.b的安装路径中拷贝出运行示例需要的配置文件。
cp -r /opt/tros/${TROS_DISTRO}/lib/mono2d_body_detection/config/ .
cp -r /opt/tros/${TROS_DISTRO}/lib/hand_lmk_detection/config/ .
# 配置MIPI摄像头
export CAM_TYPE=mipi
# 启动launch文件
ros2 launch hand_lmk_detection hand_lmk_detection.launch.py
使用USB摄像头发布图片
tros foxy 版本
# 配置tros.b环境
source /opt/tros/setup.bash
# 从tros.b的安装路径中拷贝出运行示例需要的配置文件。
cp -r /opt/tros/${TROS_DISTRO}/lib/mono2d_body_detection/config/ .
cp -r /opt/tros/${TROS_DISTRO}/lib/hand_lmk_detection/config/ .
# 配置USB摄像头
export CAM_TYPE=usb
# 启动launch文件
ros2 launch hand_lmk_detection hand_lmk_detection.launch.py
tros humble 版本
# 配置tros.b humble环境
source /opt/tros/humble/setup.bash
# 从tros.b的安装路径中拷贝出运行示例需要的配置文件。
cp -r /opt/tros/${TROS_DISTRO}/lib/mono2d_body_detection/config/ .
cp -r /opt/tros/${TROS_DISTRO}/lib/hand_lmk_detection/config/ .
# 配置USB摄像头
export CAM_TYPE=usb
# 启动launch文件
ros2 launch hand_lmk_detection hand_lmk_detection.launch.py
3.查看效果
打开同一网络电脑的浏览器,访问http://IP:8000即可看到视觉识别的实时效果,其中IP为RDK的IP地址:
接口说明
话题
手关键点检测结果都通过hobot_msgs/ai_msgs/msg/PerceptionTargets话题发布,该话题的详细定义如下:
# 感知结果
# 消息头 std_msgs/Header header
# 感知结果的处理帧率
# fps val is invalid if fps is less than 0 int16 fps
# 性能统计信息,比如记录每个模型推理的耗时
Perf[] perfs
# 感知目标集合
Target[] targets
# 消失目标集合
Target[] disappeared_targets
参数
- |
- +1 赞 0
- 收藏
- 评论 0
本文由Ray转载自D-Robotics官网,原文标题为:人手关键点检测,本站所有转载文章系出于传递更多信息之目的,且明确注明来源,不希望被转载的媒体或个人可与我们联系,我们将立即进行删除处理。
相关推荐
基于RDK X3 & Module的性能检测软件使用示例
Performance Node该应用基于Web网页打造,无论是什么品牌的电脑和手机,只需要在浏览器访问即可。
连接RDK X3操作奥比中光Astro Pro相机驱动示例
基于RDK X3的奥比中光Astro Pro相机驱动操作方案介绍。
基于RDK X3开发板设计并实现的手持slam建图设计
这里使用RDK X3开发板设计并实现了一款SLAM手持建图设备,它使用RDK X3开发板的计算性能,通过激光雷达实现一个纯激光里程计,通过IMU对激光数据进行畸变矫正和对SLAM的姿态矫正,实现一个手持的SLAM建图功能。
AI加速边缘计算,聚焦AIOT芯片,NPU SOC,离线语音MCU,高算力智能模组等
世强硬创联合地平线,阿普奇,启英泰伦,美格智能,普林芯驰,唯创知音,九芯电子,芯闻,VINKO,MERRY带来AI新产品,聚焦AIOT芯片,NPU SOC,离线语音MCU,高算力智能模组等,加速边缘计算。
【IC】地平线新品发布,硬件模组RDK,高达96TOPS算力的RDK Ultra系列 ∣ 视频
地平线官宣系列重要发布:全新地平线RDK系列机器人开发者套件正式上线,机器人操作系统 TogetheROS™.Bot 2.0版发布,应用中心NodeHub首发亮相。
基于RDK X3操作思岚激光雷达驱动示例
SLLIDAR ROS2驱动,以ROS2标准消息格式发送激光雷达数据。
RDK X3模块产品简介
描述- RDK X3 Module是一款基于地平线旭日®3系列高性能智能芯片的模块,具备强大的端侧通用和人工智能算力。该模块硬件设计兼容树莓派CM4,具有四核Cortex® A53处理器、5Tops算力、最高4GB内存和支持4K@60帧视频编解码等功能。它提供了丰富的接口选项,包括HDMI、千兆以太网、USB 3.0等,并支持双频2.4/5.0GHz无线局域网和蓝牙4.2。此外,RDK X3 Module还具有良好的环境适应性和可靠性。
型号- RDK X3 MD 002032,RDK X3 MD 104032,RDK X3 MD 002016,RDK X3 MD 104064,RDK X3 MD 102032,RDK X3 MD 004064,RDK X3 MD 004032,RDK X3 MD,RDK X3,RDK X3 MD 102016
地平线机器人开发者创享日,推出全新NodeHub应用中心、RDK X3机器人开发者套件及机器人操作系统
7月25日,“地平线2023机器人开发者创享日”在深圳成功举办。活动现场,地平线官宣了一系列重要发布:全新地平线RDK系列机器人开发者套件正式上线,机器人操作系统 TogetheROS.Bot™2.0版发布,应用中心NodeHub首发亮相,地平线开发者社区改版上线。
YDLIADAR激光雷达驱动应用实例
介绍YDLIADAR激光雷达驱动的方案与技术要求,YDLIDAR ROS2驱动,以ROS2标准消息格式发送激光雷达数据。
RDK平台实现MIPI相机驱动的操作实例
本项目案例为对已适配的MIPI接口摄像头进行配置,并将采集的图像数据以ROS标准图像消息或者零拷贝(hbmem)图像消息进行发布,供需要使用图像数据的其他模块订阅。
RDK X3基于RDK X3的手势识别算法示例
手势识别算法示例订阅包含人手框、人手关键点信息的算法msg,利用BPU进行推理,发布包含手势信息的智能结果msg。手势识别算法集成了人手关键点检测,手势分析等技术,使得计算机能够将人的手势解读为对应指令,可实现手势控制以及手语翻译等功能,主要应用于智能家居,智能座舱、智能穿戴设备等领域。
2D垃圾检测应用示例
本Node是基于hobot_dnn开发的2D垃圾目标检测算法,采用PaddlePaddle开源框架, 利用PPYOLO模型进行垃圾检测任务设计和训练。为了达到快速部署的目的,本Node支持配置文件更换垃圾检测模型,开发者可以将更多精力投入在算法模型能力的迭代,减少部署工作量,识别输出的AI信息不仅可以通过话题发布,还可以在Web页面渲染显示。
基于RDK平台的YOLOv10目标检测算法示例
YOLO功能介绍YOLO目标检测算法示例使用图片作为输入,利用BPU进行算法推理,发布包含目标类别和检测框的算法msg。YOLO目标检测算法示例使用图片作为输入,利用BPU进行算法推理,发布包含目标类别和检测框的算法msg。目前支持yolov2、yolov3、yolov5、yolov5x四个版本。
基于地平线RDK模型YOLOv5s深度学习的方法进行赛道障碍物检测应用实例
该功能为基于深度学习的方法识别赛道中的障碍物,使用模型为YOLOv5s。地平线RDK通过摄像头获取小车前方环境数据,图像数据通过训练好的YOLO模型进行推理得到障碍物的图像坐标值并发布。
OriginBot机器人最小功能系统的机器人底盘驱动应用实例
OriginBot是一款智能机器人开源套件,更是一个社区共建的开源项目,旨在让每一位参与者享受机器人开发的乐趣。该项目是OriginBot机器人最小功能系统,该最小系统可接受/cmd_vel指令控制机器人运动并反馈/Odom信息。
电子商城
现货市场
登录 | 立即注册
提交评论