🌐

Linux* で AI 開発キットと OpenVINO™ を使用してリアルタイム人数カウントを行う方法

2024/10/03に公開

この記事は、Medium に公開されている「How To Perform Real-Time People Counting on Linux AI Dev Kit With OpenVINO™」の日本語参考訳です。原文は更新される可能性があります。原文と翻訳文の内容が異なる場合は原文を優先してください。
https://medium.com/openvino-toolkit/how-to-perform-real-time-people-counting-on-linux-ai-dev-kit-with-openvino-e9c3aa96d431

この記事の PDF 版は下記からご利用になれます。
https://www.isus.jp/wp-content/uploads/pdf/openvino_35_how-to-perform-real-time-people-counting-on-linux-ai-dev-kit-with-openvino.pdf


インテリジェントな、自動 AI ソリューション・ベースの人数カウントは、小売店やショッピング・モールで歩行者をモニターして顧客に優れたショッピング体験を提供する、公共交通機関でスケジュールを最適化して混雑に対処する、スマートシティーで公共の安全と都市計画を改善するなど、さまざまなシナリオで非常に役立ちます。OpenVINO™ のモデルの最適化機能と簡単なデプロイ機能、AI 開発キットが提供する強力な計算機能を組み合わせることにより、最小限の労力でリアルタイム人数カウントを実現できます。

<一緒にやってみましょう>
幸いなことに、この種のアプリケーションはすでに新しい openvino_build_deploy (英語) リポジトリーに存在していて、オープンソースです (Apache* 2.0 ライセンス (英語))。仕組みと実行方法を理解するため、ステップごとに確認してみましょう。確認には、Ubuntu* 24.04 を使用します。
https://github.com/openvinotoolkit/openvino_build_deploy
https://github.com/openvinotoolkit/openvino_build_deploy/blob/master/LICENSE.txt

最初に、すべての前提条件、git と python をインストールすることから始めます。

sudo apt install git gcc python3-venv python3-dev

次に、リポジトリーのクローンを作成します。

git clone https://github.com/openvinotoolkit/openvino_build_deploy.git

コードが含まれているディレクトリーに移動します。

cd openvino_build_deploy/demos/people_counter_demo

さまざまなプロジェクト間の依存関係が混在しないように、仮想環境を作成して有効にします。

python3 -m venv venv
source venv/bin/activate

準備ができたら、要件をインストールします。

python -m pip install --upgrade pip
pip install -r requirements.txt

これで環境の準備ができました。アプリを実行する前にコードを見てみましょう。ここでは、コードの最も重要な部分のみ取り上げます。ほかの部分は、main.py (英語) ファイルを確認してください。
https://github.com/openvinotoolkit/openvino_build_deploy/blob/master/demos/people_counter_demo/main.py

人をカウントするには、まず人を検出する必要があります。人の検出には、最先端のモデルの 1 つ、Ultralytics (英語) の YOLOv8 を使用します。鍵となる優れたパフォーマンスの実現には、OpenVINO™ (英語) と NNCF (英語) を使用します。次に、モデル (ここでは YOLOv8 nano) を OpenVINO™ 形式でエクスポートします。モデルを量子化する場合は、int8=True を設定します。
https://github.com/ultralytics/ultralytics
https://github.com/openvinotoolkit/openvino
https://github.com/openvinotoolkit/nncf

from ultralytics import YOLO

create a YOLO object detection model

yolo_model = YOLO("yolov8n")

export the model to OpenVINO format (FP16 and INT8)

yolo_model.export(format="openvino", dynamic=False, half=True)
yolo_model.export(format="openvino", dynamic=False, half=True, int8=True, data="coco128.yaml"))

OpenVINO™ 形式でエクスポートしたモデルを CPU、GPU、NPU などの特定のデバイス向けにロードしてコンパイルする前に、利用可能なすべてのデバイスを表示します。

from openvino import runtime as ov

core = ov.Core()
for device in core.available_devices:
device_name = core.get_property(device, "FULL_DEVICE_NAME")
print(device_name)

ビデオフレームの結果をできるだけ早く取得できるように、レイテンシー・モードでモデルをコンパイルすることが重要です。

read the model from file

model = core.read_model(model_path)

compile the model for latency mode

model = core.compile_model(model, device_name="NPU", config={"PERFORMANCE_HINT": "LATENCY"})

推論の前後には前処理 (英語) と後処理 (英語) が必要です。この記事では省略しますが、リンクにアクセスして確認してください。これで、モデルの推論を行う準備ができました。
https://github.com/openvinotoolkit/openvino_build_deploy/blob/ead86243e7227e78aef49c08e497c795637645d9/demos/people_counter_demo/main.py#L63
https://github.com/openvinotoolkit/openvino_build_deploy/blob/ead86243e7227e78aef49c08e497c795637645d9/demos/people_counter_demo/main.py#L77

results = model(input_image)

わずか 1 行のコードで、入力画像から結果が生成されます。しかし、これらの結果はまだ解釈が必要です。解釈には supervision (英語) ライブラリーを使用します。このライブラリーは、指定された領域内の人をフィルタリング、アノテート、カウントするのに役立ちます。ビデオストリームの下部のアノテーターを作成します。

polygon = [[0, 360], [0, 1080], [1920, 1080], [1920, 360]]

a zone to count people in

zone = sv.PolygonZone(polygon=polygon, frame_resolution_wh=(1920, 1080))

the annotator — visual part of the zone

zone_annotator = sv.PolygonZoneAnnotator(zone=zone)

box annotator, showing boxes around people

box_annotator = sv.BoxAnnotator()

これらを解釈に使用します。

frame = zone_annotator.annotate(scene=frame)

get detections relevant only for the zone

mask = zone.trigger(detections=detections)
detections_filtered = detections[mask]

visualize boxes around people in the zone

frame = box_annotator.annotate(scene=frame, detections=detections_filtered)

最後に必要なのは、人数をカウントしてアラートを出すことです。これは非常に簡単です。

people_count = len(detections_filtered)

add alert text to the frame if necessary

if people_count > people_limit:
utils.draw_text(frame, text=f"Intel employee required in zone {zone_id}!", point=(20, 20), font_color=(0, 0, 255))

すべてのコードを実行して結果を確認するには、コマンドラインに次のように入力します。

python main.py --stream 0

ここで、数字 (例: 0) はウェブカメラの番号を示します。代わりにビデオパスを使用することもできます。モデルや people_limit など、変更するパラメーターはほかにもいくつかあります。パラメーターの情報を確認するには、ヘルプオプションを実行します。

python main.py --help

【結果】
ビデオパスで人数カウントを実行した結果を次に示します。コントロール・パネルで異なる数字のキーを押すことにより、AI 開発キット内の CPU、GPU、NPU 間の推論を簡単に切り替えることができます。

ローカル AI 開発キットの AI デモを試してみてください。

ほかの AI のデモにも興味がある場合は、GitHub* の openvino_build_deploy (英語) リポジトリーを参照してください。リポジトリーには、実際のアプリケーションで AI の機能を紹介する、すぐに実行可能なデモが用意されています。パフォーマンスの最適化、高度なモデルのデプロイはもちろん、単に新しいアイデアの実験に興味がある場合でも、このコードベースは最適な出発点となります。リポジトリーのクローンを作成して自分のマシンでデモを実行することにより、実践的な経験と洞察を得て、プロジェクトを加速できます。AI の世界に飛び込むこのチャンスを逃さないようにしてください。今すぐリポジトリーのクローンを作成して、AI の旅を始めましょう。
https://github.com/openvinotoolkit/openvino_build_deploy

<OpenVINO™ ツールキットとは>
AI を加速する無償のツールである OpenVINO™ ツールキットは、インテルが無償で提供しているインテル製の CPU や GPU、VPU、FPGA などのパフォーマンスを最大限に活用して、コンピューター・ビジョン、画像関係をはじめ、自然言語処理や音声処理など、幅広いディープラーニング・モデルで推論を最適化し高速化する推論エンジン / ツールスイートです。

OpenVINO™ ツールキット・ページでは、ツールの概要、利用方法、導入事例、トレーニング、ツール・ダウンロードまでさまざまな情報を提供しています。ぜひ特設サイトにアクセスしてみてください。

https://www.intel.co.jp/content/www/jp/ja/internet-of-things/openvino-toolkit.html

◆法務上の注意書き

性能は、使用状況、構成、その他の要因によって異なります。詳細は、パフォーマンス・インデックス・サイトを参照してください。

性能の測定結果はシステム構成の日付時点のテストに基づいています。また、現在公開中のすべてのセキュリティー・アップデートが適用されているとは限りません。構成の詳細は、補足資料を参照してください。絶対的なセキュリティーを提供できる製品またはコンポーネントはありません。実際の費用と結果は異なる場合があります。インテルのテクノロジーを使用するには、対応したハードウェア、ソフトウェア、またはサービスの有効化が必要となる場合があります。

© Intel Corporation. Intel、インテル、Intel ロゴ、その他のインテルの名称やロゴは、Intel Corporation またはその子会社の商標です。

  • その他の社名、製品名などは、一般に各社の表示、商標または登録商標です

Discussion