文 / MediaPipe 团队
MediaPipe 是一款由 Google Research 开发并开源的多媒体机器学习模型应用框架。在谷歌，一系列重要产品，如 YouTube、Google Lens、ARCore、Google Home 以及 Nest，都已深度整合了 MediaPipe。
作为一款跨平台框架，MediaPipe 不仅可以被部署在服务器端，更可以在多个移动端（安卓和苹果 iOS）和嵌入式平台（Google Coral 和树莓派）中作为设备端机器学习推理（On-device Machine Learning Inference）框架。
为什么需要 MediaPipe？
一款多媒体机器学习应用的成败除了依赖于模型本身的好坏，还取决于设备资源的有效调配、多个输入流之间的高效同步、跨平台部署上的便捷程度、以及应用搭建的快速与否。
基于这些需求，谷歌开发并开源了 MediaPipe 项目。除了上述的特性，MediaPipe 还支持 TensorFlow 和 TF Lite 的推理引擎（Inference Engine），任何 TensorFlow 和 TF Lite 的模型都可以在 MediaPipe 上使用。同时，在移动端和嵌入式平台，MediaPipe 也支持设备本身的 GPU 加速。
MediaPipe 演示案例
在 2019 年六月举行的 CVPR 会议上，Google Research 开源了 MediaPipe 的预览版。为方便开发者学习和使用，我们提供了多个桌面系统和移动端的示例。作为一款应用于多媒体的框架，现已开源的安卓和苹果 iOS 示例包括：
- 3D 手部标志追踪（3D Hand Tracking）
- BlazeFace 人脸检测（Face Detection）
- 改换发色（Hair Segmentation）
- 物体检测（Object Detection）
3D 手部标志追踪
人脸检测
改换发色
物体检测
MediaPipe 主要概念
MediaPipe 的核心框架由 C++ 实现，并提供 Java 以及 Objective C 等语言的支持。MediaPipe 的主要概念包括数据包（Packet）、数据流（Stream）、计算单元（Calculator）、图（Graph）以及子图（Subgraph）。数据包是最基础的数据单位，一个数据包代表了在某一特定时间节点的数据，例如一帧图像或一小段音频信号；数据流是由按时间顺序升序排列的多个数据包组成，一个数据流的某一特定时间戳（Timestamp）只允许至多一个数据包的存在；而数据流则是在多个计算单元构成的图中流动。MediaPipe 的图是有向的——数据包从数据源（Source Calculator 或者 Graph Input Stream）流入图直至在汇聚结点（Sink Calculator 或者 Graph Output Stream） 离开。
MediaPipe 在开源了多个由谷歌内部团队实现的 计算单元（Calculator）的同时，也向用户提供定制新计算单元的接口。创建一个新的 Calculator，需要用户实现 Open ()，Process ()，Close () 去分别定义 Calculator 的初始化，针对数据流的处理方法，以及 Calculator 在完成所有运算后的关闭步骤。为了方便用户在多个图中复用已有的通用组件，例如图像数据的预处理、模型的推理以及图像的渲染等， MediaPipe 引入了子图（Subgraph）的概念。因此，一个 MediaPipe 图中的节点既可以是计算单元，亦可以是子图。子图在不同图内的复用，方便了大规模模块化的应用搭建。
想了解更多 MediaPipe 的概念和使用方法，请移步我们的 GitHub 文档。同时，我们也提供了 MediaPipe 移动端的使用教程及示例代码：
机器感知实例 —— 手部关键点追踪
一个使用 MediaPipe 的实例是在图片或视频中检测手部关键点。我们最近在 谷歌 AI 博客上发表了一篇相关文章: “使用 MediaPipe 实现设备端实时手部追踪” 介绍了我们如何使用 MediaPipe 来搭建这个应用。
手部关键点追踪解决方案有两部分：手掌检测（Hand Detection）及手部关键点回归 （Hand Landmark Regression）。
本文将详细讲解第一部分：手掌检测。详解第二部分手部关键点检测的文章，将于近期在谷歌 TensorFlow 的微信公众号发表。请从 MediaPipe 下载手部关键点追踪的模型和图。手掌检测应用的输出结果如下图所示：
手掌模型检测教程
我们训练了基于 SSD 架构的 BlazePalm 模型来进行 手掌检测，并对移动端进行了优化。手部检测相较人脸检测来说，是一个更加困难的问题，例如：手的大小角度会有较大范围的变动，手没有显著的纹理结构，以及存在更多遮挡的情景。因此，我们的解决方案采取了不同的思路。我们训练的模型只对手掌区域进行检测，其好处体现在以下几点：首先，手掌相对于整个手而言是一个较为受限的目标，并且由于手掌的区域较小，我们的非极大抑制（Non-Maximum Suppression）算法也会有更好的效果，例如，在两只手相握的情况下，即使手的大部分区域重叠在一起，两只手掌的区域依然可以被区分开；其次，手掌的边框可以用正方形来描述，这样可以减少 3-5 倍数量的锚定位（Anchor），从而最大化模型的容量；最后，经过实验，我们发现使用 focal loss 可以获得最好的检测结果。该模型在我们的测试数据集上可以达到 95.7% 的平均准确率。
我们使用 MediaPipe 来做移动端模型推理的框架，如下图所示，input_video 为输入图像，output_video 为输出图像。为了保证整个应用的实时运算，我们使用 FlowLimiterCalculator 来筛选进行运算的输入帧数，只有当前一帧的运算完成后，才会将下一帧图像送入模型。当模型推理完成后，我们使用 MediaPipe 提供的一系列计算单元来进行输出的渲染和展示——结合使用 DetectionsToRenderDataCalculator， RectToRenderDataCalculator 及 AnnotationOverlayCalculator 将检测结果渲染在输出图像上。
手掌检测应用的核心部分为上图中的蓝紫色模块（HandDetection 子图）。如下图所示，HandDetection 子图包含了一系列图像处理的计算单元和机器学习模型推理的模块。ImageTransformationCalculator 将输入的图像调整到模型可以接受的尺寸，用以送入 TF Lite 模型的推理模块；使用 TfLiteTensorsToDetectionsCalculator，将模型输出的 Tensor 转换成检测结果；运用 NonMaxSuppressionCalculator 等计算单元做后处理；最终从 HandDetection 子图输出检测结果给主图。
致谢
感谢唐久强，张颿，杨民光， 张倬领及其他 MediaPipe 团队成员。
如果您想详细了解 MediaPipe 的相关内容，请参阅以下文档：