MMPose Webcam API 快速上手

什么是 MMPose Webcam API

MMPose WebcamAPI 是一套简单的应用开发接口，可以帮助用户方便的调用 MMPose 以及其他 OpenMMLab 算法库中的算法，实现基于摄像头输入视频的交互式应用。

MMPose Webcam API 框架概览

运行一个 Demo

我们将从一个简单的 Demo 开始，向您介绍 MMPose WebcamAPI 的功能和特性，并详细展示如何基于这个 API 搭建自己的应用。为了使用 MMPose WebcamAPI，您只需要做简单的准备：

一台计算机（最好有 GPU 和 CUDA 环境，但这并不是必须的）
一个摄像头。计算机自带摄像头或者外接 USB 摄像头均可
安装 MMPose
- 在 OpenMMLab 官方仓库 fork MMPose 到自己的 github，并 clone 到本地
- 安装 MMPose，只需要按照我们的安装文档中的步骤操作即可

完成准备工作后，请在命令行进入 MMPose 根目录，执行以下指令，即可运行 demo：

python tools/webcam/run_webcam.py --config tools/webcam/configs/examples/pose_estimation.py

这个 demo 实现了目标检测，姿态估计和可视化功能，效果如下：

Pose Estimation Demo 效果

Demo 里面有什么？

从 Config 说起

成功运行 demo 后，我们来看一下它是怎样工作的。在启动脚本 tools/webcam/run_webcam.py 中可以看到，这里的操作很简单：首先读取了一个 config 文件，接着使用 config 构建了一个 runner ，最后调用了 runner 的 run() 方法，这样 demo 就开始运行了。

# tools/webcam/run_webcam.py

def launch():
    # 读取 config 文件
    args = parse_args()
    cfg = mmcv.Config.fromfile(args.config)
    # 构建 runner（WebcamRunner类的实例）
    runner = WebcamRunner(**cfg.runner)
    # 调用 run()方法，启动程序
    runner.run()


if __name__ == '__main__':
    launch()

我们先不深究 runner 为何物，而是接着看一下这个 config 文件的内容。省略掉细节和注释，可以发现 config 的结构大致包含两部分（如下图所示）：

Runner 的基本参数，如 camera_id，camera_fps 等。这部分比較好理解，是一些在读取视频时的必要设置
一系列＂节点＂（Node），每个节点属于特定的类型（type），并有对应的一些参数

runner = dict(
    # runner的基本参数
    name='Pose Estimation',
    camera_id=0,
    camera_fps=20,
    # 定义了若干节点(Node)
    Nodes=[
        dict(
            type='DetectorNode',  # 节点１类型
            name='Detector',  # 节点１名字
            input_buffer='_input_',  # 节点１数据输入
            output_buffer='det_result',  # 节点１数据输出
            ...), # 节点１其他参数
        dict(
            type='TopDownPoseEstimatorNode',  # 节点２类型
            name='Human Pose Estimator',  # 节点２名字
            input_buffer='det_result',  # 节点2数据输入
            output_buffer='pose_result',  # 节点2数据输出
            ...),  # 节点２参数
        ...]  # 更多节点
)

核心概念：Runner 和 Node

到这里，我们已经引出了 MMPose WebcamAPI 的２个最重要的概念：runner 和 Node，下面做正式介绍：

Runner：Runner 类是程序的主体，提供了程序启动的入口runner.run()方法，并负责视频读入，输出显示等功能。此外，runner 中会包含若干个 Node，分别负责在视频帧的处理中执行不同的功能。
Node：Node 类用来定义功能模块，例如模型推理，可视化，特效绘制等都可以通过定义一个对应的 Node 来实现。如上面的 config 例子中，2 个节点的功能分别是做目标检测（Detector）和姿态估计（TopDownPoseEstimator）

Runner 和 Node 的关系简单来说如下图所示：

Runner 和 Node 逻辑关系示意

数据流

一个重要的问题是：当一帧视频数据被 runner 读取后，会按照怎样的顺序通过所有的 Node 并最终被输出（显示）呢？答案就是 config 中每个 Node 的输入输出配置。如示例 config 中，可以看到每个 Node 都有input_buffer，output_buffer等参数，用来定义该节点的输入输出。通过这种连接关系，所有的 Node 构成了一个有向无环图结构，如下图所示：

数据流示意

图中的每个 Data Buffer 就是一个用来存放数据的容器。用户不需要关注 buffer 的具体细节，只需要将其简单理解成 Node 输入输出的名字即可。用户在 config 中可以任意定义这些名字，不过要注意有以下几个特殊的名字：

_input_：存放 runner 读入的视频帧，用于模型推理
frame ：存放 runner 读入的视频帧，用于可视化
_display_：存放经过所以 Node 处理后的结果，用于在屏幕上显示

当一帧视频数据被 runner 读入后，会被放进 input 和 frame 两个 buffer 中，然后按照 config 中定义的 Node 连接关系依次通过各个 Node ，最终到达 display ，并被 runner 读出显示在屏幕上。

Get Advanced: 关于 buffer

Buffer 本质是一个有限长度的队列，在 runner 中会包含一个 BufferManager 实例（见`mmpose/tools/webcam/webcam_apis/buffer.py'）来生成和管理所有 buffer。Node 会按照 config 从对应的 buffer 中读出或写入数据。
当一个 buffer 已满（达到最大长度）时，写入数据的操作通常不会被 block，而是会将 buffer 中已有的最早一条数据“挤出去”。
为什么有_input_和_frame_两个输入呢？因为有些 Node 的操作较为耗时（如目标检测，姿态估计等需要模型推理的 Node）。为了保证显示的流畅，我们通常用_input_来作为这类耗时较大的操作的输入，而用_frame_来实时绘制可视化的结果。因为各个节点是异步运行的，这样就可以保证可视化的实时和流畅。