Mulai cepat: Menyiapkan pelacakan tubuh Azure Kinect
Mulai cepat ini akan memandu Anda selama proses menjalankan pelacakan tubuh di Azure Kinect DK.
Persyaratan sistem
Body Tracking SDK memerlukan GPU NVIDIA yang diinstal di PC host. Persyaratan PC host pelacakan tubuh yang direkomendasikan dijelaskan di halaman persyaratan sistem.
Menginstal perangkat lunak
Menginstal Driver NVIDIA terbaru
Unduh dan instal driver NVIDIA terbaru untuk kartu grafis Anda. Driver yang lebih tua mungkin tidak kompatibel dengan biner CUDA yang didistribusikan kembali dengan SDK pelacakan tubuh.
Visual C++ Dapat Didistribusikan Ulang untuk Visual Studio 2015
Unduh dan instal Visual C++ Redistributable untuk Visual Studio 2015.
Menyiapkan perangkat keras
Menyiapkan Azure Kinect DK
Luncurkan Azure Kinect Viewer untuk memeriksa apakah Azure Kinect DK disiapkan dengan benar.
Mengunduh Body Tracking SDK
- Pilih tautan untuk Mengunduh Body Tracking SDK
- Instal Body Tracking SDK di PC Anda.
Memverifikasi pelacakan tubuh
Luncurkan Azure Kinect Body Tracking Viewer untuk memeriksa apakah Body Tracking SDK disiapkan dengan benar. Penampil diinstal dengan penginstal msi SDK. Anda dapat menemukannya di menu mulai atau di <SDK Installation Path>\tools\k4abt_simple_3d_viewer.exe
.
Jika Anda tidak memiliki GPU yang cukup kuat dan masih ingin menguji hasilnya, Anda dapat meluncurkan Penampil Pelacakan Tubuh Azure Kinect di baris perintah dengan perintah berikut: <SDK Installation Path>\tools\k4abt_simple_3d_viewer.exe CPU
Jika semuanya disiapkan dengan benar, jendela dengan cloud titik 3D dan tubuh yang dilacak akan muncul.
Menentukan lingkungan eksekusi ONNX Runtime
Body Tracking SDK mendukung lingkungan eksekusi CPU, CUDA, DirectML (khusus Windows), dan TensorRT untuk menyimpulkan model estimasi pose. K4ABT_TRACKER_PROCESSING_MODE_GPU
default untuk eksekusi CUDA pada eksekusi Linux dan DirectML pada Windows. Tiga mode tambahan telah ditambahkan untuk memilih lingkungan eksekusi tertentu: K4ABT_TRACKER_PROCESSING_MODE_GPU_CUDA
, K4ABT_TRACKER_PROCESSING_MODE_GPU_DIRECTML
, dan K4ABT_TRACKER_PROCESSING_MODE_GPU_TENSORRT
.
Catatan
ONNX Runtime menampilkan peringatan untuk opcode yang tidak dipercepat. Ini mungkin dapat diabaikan.
ONNX Runtime menyertakan variabel lingkungan untuk mengontrol penyimpanan cache model TensorRT. Nilai yang direkomendasikan adalah:
- ORT_TENSORRT_ENGINE_CACHE_ENABLE=1
- ORT_TENSORRT_CACHE_PATH="pathname"
Folder harus dibuat sebelum memulai pelacakan isi.
Penting
TensorRT melakukan pra-proses model sebelum inferensi yang menghasilkan waktu startup yang diperpanjang jika dibandingkan dengan lingkungan eksekusi lainnya. Penyimpanan cache mesin membatasi ini untuk eksekusi pertama, namun bersifat eksperimental dan khusus untuk model, versi ONNX Runtime, versi TensorRT, dan model GPU.
Lingkungan eksekusi TensorRT mendukung FP32 (default) dan FP16. Perdagangan FP16 ~2x peningkatan performa untuk penurunan akurasi minimal. Untuk menentukan FP16:
- ORT_TENSORRT_FP16_ENABLE=1
DL yang diperlukan untuk lingkungan eksekusi ONNX Runtime
Mode | ORT 1.10 | CUDA 11.4.3 | CUDNN 8.2.2.26 | TensorRT 8.0.3.4 |
---|---|---|---|---|
CPU | msvcp140 | - | - | - |
onnxruntime | ||||
CUDA | msvcp140 | cudart64_110 | cudnn64_8 | - |
onnxruntime | cufft64_10 | cudnn_ops_infer64_8 | ||
onnxruntime_providers_cuda | cublas64_11 | cudnn_cnn_infer64_8 | ||
onnxruntime_providers_shared | cublasLt64_11 | |||
DirectML | msvcp140 | - | - | - |
onnxruntime | ||||
directml | ||||
TensorRT | msvcp140 | cudart64_110 | - | nvinfer |
onnxruntime | cufft64_10 | nvinfer_plugin | ||
onnxruntime_providers_cuda | cublas64_11 | |||
onnxruntime_providers_shared | cublasLt64_11 | |||
onnxruntime_providers_tensorrt | nvrtc64_112_0 | |||
nvrtc-builtins64_114 |
Contoh
Anda dapat menemukan contoh tentang cara menggunakan SDK pelacakan tubuh di sini.