Nvidia Maxine 精讲（一）AR-SDK安装使用——BodyTrack功能演示

动机-2022/10/10 看到这个SDK20天前更新了

这是我上半年尝试了一下英伟达的几个SDK以及应用，今天补更给大家，当时看的是Nvidia何工的csdn说明，Maxine系列的SDK ，这里分三个系列的SDK(NVIDIA Video Effects SDK\NVIDIA AUDIO Effects SDK\Augment Reality SDK),这些SDK提供了高性能的音视频AI交互式服务(视频会议、AI视频分析等业务) 。因为上手简单，故借此来分享下maxine这个SDK的基础使用，后续omniverse（这个比较复杂的应用）也会慢慢分享，我的理解是这套SDK的意义对于工程或者有直接应用需求的人确实很有帮助，但正是由于它过于简单且高度封装，没有算法源码训练部分不利于研究人员，所以有利就有弊，想要两全其美，对于我个人来说这个可能是一套开发方案：需要对这个SDK进行二次开发，将api标准熟悉后，使用这个框架去自己构建新的模型转成trt完成解析和部署，这样其实难度和工作量倍增，所以还是看你要干什么。。不多废话了，开始！

二、软硬件环境要求详细说明

1.安装简介

点击nvidia的maxine下载地址：https://developer.nvidia.com/maxine#ar-sdk
我之前用的是0.7版本，现在已经0.8+了

在下图中点击NVIDIA MAXINE系列中的Augmented Reality SDK, 这篇文章只针对这个SDK进行说明，我们可以在旁边的Key features观看这个SDK实现的算法功能，以及更新的消息。
我们可以从图中看到这个SDK提供了人脸检测追踪，人脸关键点检测和跟踪，人脸的mesh，人体的关键点检测，其中目前这个SDK看来是经历了更新，新增加了视线跟踪，并且关键点支持了3D的landmarks预测，而表情其实貌似加入了blendshape的计算，这里说下之前版本的表情是通过mesh使用3DMM拟合预测了一些表情的demo，这个功能后续我下好新版本的SDK顺便看下。 另外现在应该是支持linux了，大概半年前还是只支持Windows，这里我建议选择 windows，后面会给出原因

(需要在英伟达注册账户才可以下载，填完资料后进入到NGC后就可以点击下载)

具体使用我们可以点击使用文档，这里以windows的sdk为例子,AR SDK的linux版本需要官方填写资料后批准才行，因为早期这三个SDK的系列都是为只支持windows的sdk，其余两个video\audio的sdk是双平台都支持的，今天我们主要是讲ar 这个SDK的使用，故个人建议有条件优先使用windows系统，具体想更深入了解的，使用说明可以点击下方官方文档以及刚才下载的sdk提供的手册进行使用.
https://docs.nvidia.com/deeplearning/maxine/ar-sdk-system-guide/index.html

2.环境具体说明

本机windows10（64bit）配置：（win10以上，ubuntu18以上，Centos7以上即可）

0. 需要你有Nvidia的显卡，图灵架构、安培、最新的Ada Lovelace架构，话说40系显卡估计大手笔公司都会冲吧？（所以这里，你要不是RTX20 \30系列\40系或者中高端计算卡 ，那么这个SDK没法用了，以架构区分即可 比如10系的帕斯卡架构就没法用 ）
1. CMakegui 3.24 （3.12以上即可）
2. vs2022 (2015以上即可）
3. Nvidia图形驱动 516 （511.65 以上即可）
4. cuda 11.7 (cuda 11.0+)

3.编译运行

3.1 版本对比说明 ——助你更好理解

之前我用过0.7的版本 改动不算很大，除了之前添加的eye-contact和表情拟合，其实表情拟合这部分做了一个扩展优化，这部分对比我放在后面的文章讲现在主要说下一些文件目录结构:

这里除了新版本添加的2个demo,0.7版本只有Face和Body两个，然后Face部分的Demo被英伟达在官方版本进行了优化，之前需要做3DMM的拟合（使用工具和下载模型最后去拟合mesh效果，新版本进行了删减和优化 不需要额外去下载模型，你可以在bin\models\下找到所有的引擎模型），这部分是新旧版本的三方库对比，新版本可能用到了更多GUI的功能，额外引进了JSON、OPENGL的库，如图：

其余的就是各个应用源码的微改动，这里做个叙述吧，算是个插曲。

3.2 编译sdk

我们下载后的sdk是zip压缩包，需要连续解压到你指定的目录路径下（经过两次解压，第二次解压要指定目录，不要解压当前）。新下载的SDK解压后SDK目录如下图：

1. 打开CMAKE-GUI，将Sdk的根目录路径输入到gui的第一行 source code下
2. 新建build文件夹，然后输入到 where to build the binaries 的选项中
3. 点击confugure，然后点击Generate完成。

3.3 BodyTrack 使用详细解说

打开根目录下的 samples\，我们可以看到几个应用的demo，我们可以点击第一个BodyTrack文件夹，我们找到run_local.bat命令的两个脚本，用哪个都可以的：这个是打开OPENCV的摄像头，只要你链接了摄像头就可以；下面那个带offline的是离线是给视频文件的形式，本质没区别就是参数不同而已，不信 我们打开看下就行：

只是调用windows编译好的程序命令而已，这里示范下offline 文件形式好了，如果你没有摄像头，可以网上下载虚拟摄像头也可以，这里我就用下offline的文件形式就行，双击即可，然后推理的是脚本中的“bodytrack.mp4”，你也可以修改这个换成你想检测的视频文件。

这里我使用离线模型就会是直接输出成MP4了，如下图

等待上面的窗口关闭就是OFFLINE推理结束，生成的MP4会放在你输入文件的路径内，所以最好先把MP4放在当前程序的目录下命名为xxxx_pose.mp4，便于验证,看下效果。

我们可以看到检测结果可视化，但是这里我们发现只能检测一个人，一般这里是内部代码控制的逻辑，且也可以看出大概率这个关键点检测算法是top-down的类型，性能就是实时毕竟N家自制。
细心的朋友可以发现现在新版本支持了3D，这个需要我们在代码里看一下各种参数项，我们打开F:\NVIDIA_AR_SDK_Win_0.8.1.0\samples\BodyTrack\BodyTrack.cpp,可以看到选择的参数功能，如果你想了解的非常深入，这里我简要汇总下！可以直接看官方的文档：nvidia system guide

程序命令行参数选项

程序键盘控制参数选项

4 .代码部分

回到SDK根目录的build文件下（F:\NVIDIA_AR_SDK_Win_0.8.1.0\build\ALL_BUILD.vcxproj），使用VS2022打开解决方案ALL_BUILD.vcxproj，可以看到这个SDK下面的4个功能：BodyTrack\eXPRESS\facetrack\GazeRedirect，今天我们主要说整个sdk的基本使用和BodyTrack这个功能

我们可以修改下BodyTranck代码进行二次开发， 把代码修改后可以点击重新生成解决方案即可，此时注意我们生成的新的EXE执行文件是在build\Release\下的exe，然后你可以在这个路径下建一个bat文件去运行，具体就写之前的内容调用即可：
实时在线使用命令

``  
SETLOCAL
SET PATH=%PATH%;..\..\samples\external\opencv\bin;..\..\bin;
BodyTrack.exe --model_path=..\..\bin\models  // 后面的参数可以根据代码里的参数说明进行自由调整 ，如果不给文件，这个默认是打开摄像头了

离线文件使用：

```cpp
SETLOCAL
SET PATH=%PATH%;..\..\samples\external\opencv\bin;..\..\bin;
BodyTrack.exe --model_path=..\..\bin\models --in=《换成你的文件》 --offline_mode  //后面参数自行看代码选

我们直接看Bodytrack的主函数逻辑，这里简单过一下：

int main(int argc, char **argv) {
    
    
  // Parse the arguments
  if (0 != ParseMyArgs(argc, argv)) return -100;

  DoApp app;
  DoApp::Err doErr = DoApp::Err::errNone;

  app.body_ar_engine.setAppMode(BodyEngine::mode(FLAG_appMode));   // --app_mode[=(0 | 1)]                App mode. 0: Body detection, 1 : Keypoint detection "

  app.body_ar_engine.setMode(FLAG_mode);                            //选择模式 参考上面参数列表

  if (FLAG_verbose) printf("Enable temporal optimizations in detecting body and keypoints = %d\n", FLAG_temporal);
  app.body_ar_engine.setBodyStabilization(FLAG_temporal);

  if (FLAG_useCudaGraph) printf("Enable capturing cuda graph = %d\n", FLAG_useCudaGraph);
  app.body_ar_engine.useCudaGraph(FLAG_useCudaGraph);
#if NV_MULTI_OBJECT_TRACKER
  app.body_ar_engine.enablePeopleTracking(FLAG_enablePeopleTracking, FLAG_shadowTrackingAge, FLAG_probationAge, FLAG_maxTargetsTracked);
#endif
  doErr = DoApp::errBodyModelInit;
  if (FLAG_modelPath.empty()) {
    
    
    printf("WARNING: Model path not specified. Please set --model_path=/path/to/trt/and/body/models, "
      "SDK will attempt to load the models from NVAR_MODEL_DIR environment variable, "
      "please restart your application after the SDK Installation. \n");
  }
  if (!FLAG_bodyModel.empty())
    app.body_ar_engine.setBodyModel(FLAG_bodyModel.c_str());  

  if (FLAG_offlineMode) {
    
       //离线文件模型
    if (FLAG_inFile.empty()) {
    
    
      doErr = DoApp::errMissing;
      printf("ERROR: %s, please specify input file using --in_file or --in \n", app.errorStringFromCode(doErr));
      goto bail;
    }
    doErr = app.initOfflineMode(FLAG_inFile.c_str(), FLAG_outFile.c_str());
  } else {
    
    
    doErr = app.initCamera(FLAG_camRes.c_str());  //实时相机模式
  }
  BAIL_IF_ERR(doErr);

  doErr = app.initBodyEngine(FLAG_modelPath.c_str()); //读取TRT引擎 加载模型
  std::cout << doErr << std::endl;
  BAIL_IF_ERR(doErr);
  //前面都是写参数和模型建立
  //run 是opecv解码然后推理再show的核心逻辑 里面的函数每一步都做了高度封装
  doErr = app.run();
  BAIL_IF_ERR(doErr);

bail:
  if(doErr)
    printf("ERROR: %s\n", app.errorStringFromCode(doErr));
  app.stop();
  return (int)doErr;
}

补充内容

可能还是有些细节没有补充到，后面会在这部分里加，感谢阅读~

模型算法解密（本人猜测版本：非官方介绍）

由于BodyTrack这个功能 Nvidia并不会给出算法模型，恰巧我去年做deepstream时候发现英伟达的LAB上开源过一个部署方案（当然也没有算法模型代码，你如果自己训练的话，需要在官网提供的TAO Tooklit 的工具包在线训练，不过这种人脸检测器类型的倒是也没关系。不过我部署后发现和现在这个maxine的算法输出等很相似，然后我追溯到了之前这个模型：BodyPose3Dnet这是早期英伟达训练的一个3D关键点实时检测的模型 恰巧TOP-DOWN算法，那么我好奇心就来了，找到了如下资料和比对信息 ）

这是NGC官网中给出的资料，也是当时deepstream使用pose的一些链接才查到的，后面2021年的时候英伟达把该方法发表论文为：
KAMA：3D Keypoint Aware Body Mesh Articulation,据我了解这篇论文是参考Nvidia自家出的CVPR的弱监督通过多视角2D图像 学习的3D人体关键点检测以及HRnet的骨干结合。这里说一下这个论文的贡献：

无需3D的标注，只需要多视角相机的参数，提出了2个LOSS，一个是多时间图像预测的3D位姿可以通过相机外参去比对在同一坐标系下，理论应当是一致的；
另一个LOSS：预测的3D位姿重投影回2D作L2范式的思路。 其次，HRnet的第一个版本就是TOP-down方法。

1. 算法都是top-down，别被这个图片蒙蔽，这里下面写的很清楚，这只能检测一个人，应该是做了多次人体检测后分别进行的landmarks检测。

？？小疑问：这里有个冲突就是英伟达这个KAMA论文中：声称的是26个点，但是实际应用中不管是maxine还是Ds中提供的都是34个人体关键点。

2. 再让我们看关键点的定义，不论是deepstream中内置的 还是maxine内置的都是一套关键点定义，34个名称一模一样，不过 这仍旧不能证明是一样的算法。

我的个人结论：就是可能使用了类似的思路去构造的模型，不过并不是完全一样的，比如把输入的训练分辨率了一些微改动把，仅个人猜测。。

预告

介绍了基本的使用和关键点检测的功能和代码使用，再细节就是bodytrack.cpp里的各个参数功能，下篇我们讲功能比较多的FaceTrack和Mesh！