add attr doc for ppvehicle (#6593)

deploy/pipeline/docs/tutorials/PPVehicle_QUICK_STARTED.md

@@ -123,7 +123,7 @@ PP-Vehicle v2整体方案如下图所示:
 - 详细文档参考[OC-SORT](../../../../configs/mot/ocsort)和[检测跟踪文档](ppvehicle_mot.md)
 
 ### 属性识别
-- 使用PP-YOLOE + OC-SORT跟踪车辆
+- 使用PaddleClas提供的特色模型PP-LCNet，实现对车辆颜色及车型属性的识别。
 - 详细文档参考[属性识别](ppvehicle_attribute.md)
 
 ### 车牌识别

deploy/pipeline/docs/tutorials/ppvehicle_attribute.md

 
 # PP-Vehicle属性识别模块
 
-【应用介绍】
+车辆属性识别在智慧城市，智慧交通等方向具有广泛应用。在PP-Vehicle中，集成了车辆属性识别模块，可识别车辆颜色及车型属性的识别。
 
-【模型下载】
+| 任务 | 算法 | 精度 | 预测速度 | 下载链接|
+|-----------|------|-----------|----------|---------------|
+| 车辆检测/跟踪 | PP-YOLOE | - | - | [预测部署模型](https://bj.bcebos.com/v1/paddledet/models/pipeline/mot_ppyoloe_l_36e_ppvehicle.zip) |
+| 车辆属性识别 | PPLCNet | 90.81 | 2.36 ms | [预测部署模型](https://bj.bcebos.com/v1/paddledet/models/pipeline/vehicle_attribute_model.zip) |
+
+
+注意：
+1. 属性模型预测速度是基于Intel(R) Xeon(R) Gold 6148 CPU @ 2.40GHz 测试得到，开启 MKLDNN 加速策略，线程数为10。
+2. 关于PP-LCNet的介绍可以参考[PP-LCNet](https://github.com/PaddlePaddle/PaddleClas/blob/release/2.4/docs/zh_CN/models/PP-LCNet.md)介绍，相关论文可以查阅[PP-LCNet paper](https://arxiv.org/abs/2109.15099)。
+3. 属性模型的训练和精度测试均基于[VeRi数据集](https://www.v7labs.com/open-datasets/veri-dataset)。
+
+
+- 当前提供的预训练模型支持识别10种车辆颜色及9种车型，同VeRi数据集，具体如下：
+
+```yaml
+# 车辆颜色
+- "yellow"
+- "orange"
+- "green"
+- "gray"
+- "red"
+- "blue"
+- "white"
+- "golden"
+- "brown"
+- "black"
+
+# 车型
+- "sedan"
+- "suv"
+- "van"
+- "hatchback"
+- "mpv"
+- "pickup"
+- "bus"
+- "truck"
+- "estate"
+```
 
 ## 使用方法
 
-【配置项说明】
+### 配置项说明
+
+配置文件中与属性相关的参数如下：
+```
+VEHICLE_ATTR:
+  model_dir: output_inference/vehicle_attribute_infer/ # 车辆属性模型调用路径
+  batch_size: 8     # 模型预测时的batch_size大小
+  color_threshold: 0.5  # 颜色属性阈值，需要置信度达到此阈值才会确定具体颜色，否则为'Unknown‘
+  type_threshold: 0.5   # 车型属性阈值，需要置信度达到此阈值才会确定具体属性，否则为'Unknown‘
+  enable: False         # 是否开启该功能
+```
+
+### 使用命令
+
+1. 从模型库下载`车辆检测/跟踪`, `车辆属性识别`两个预测部署模型并解压到`./output_inference`路径下；默认会自动下载模型，如果手动下载，需要修改模型文件夹为模型存放路径。
+2. 修改配置文件中`VEHICLE_ATTR`项的`enable: True`，以启用该功能。
+3. 图片输入时，启动命令如下(更多命令参数说明，请参考[快速开始-参数说明](./PPVehicle_QUICK_STARTED.md))：
+
+```bash
+# 预测单张图片文件
+python deploy/pipeline/pipeline.py --config deploy/pipeline/config/infer_cfg_ppvehicle.yml \
+                                                   --image_file=test_image.jpg \
+                                                   --device=gpu
+
+# 预测包含一张或多张图片的文件夹
+python deploy/pipeline/pipeline.py --config deploy/pipeline/config/infer_cfg_ppvehicle.yml \
+                                                   --image_dir=images/ \
+                                                   --device=gpu
+```
+
+4. 视频输入时，启动命令如下：
+
+```bash
+#预测单个视频文件
+python deploy/pipeline/pipeline.py --config deploy/pipeline/config/infer_cfg_ppvehicle.yml \
+                                                   --video_file=test_video.mp4 \
+                                                   --device=gpu
+
+#预测包含一个或多个视频的文件夹
+python deploy/pipeline/pipeline.py --config deploy/pipeline/config/infer_cfg_ppvehicle.yml \
+                                                   --video_dir=test_videos/ \
+                                                   --device=gpu
+```
+
+5. 若修改模型路径，有以下两种方式：
+
+    - 方法一：`./deploy/pipeline/config/infer_cfg_ppvehicle.yml`下可以配置不同模型路径，属性识别模型修改`VEHICLE_ATTR`字段下配置
+    - 方法二：命令行中增加--model_dir修改模型路径：
+
+```bash
+python deploy/pipeline/pipeline.py --config deploy/pipeline/config/infer_cfg_ppvehicle.yml \
+                                                   --video_file=test_video.mp4 \
+                                                   --device=gpu \
+                                                   --model_dir vehicle_attr=output_inference/vehicle_attribute_infer
+```
 
-【使用命令】
+测试效果如下：
 
-【效果展示】
+<div width="1000" align="center">
+  <img src="../images/vehicle_attribute.gif"/>
+</div>
 
 ## 方案说明
+车辆属性模型使用了[PaddleClas](https://github.com/PaddlePaddle/PaddleClas) 的超轻量图像分类方案(PULC，Practical Ultra Lightweight image Classification)。关于该模型的数据准备、训练、测试等详细内容，请见[PULC 车辆属性识别模型](https://github.com/PaddlePaddle/PaddleClas/blob/release/2.4/docs/zh_CN/PULC/PULC_vehicle_attribute.md).
 
-【实现方案及特色】
+车辆属性识别模型选用了轻量级、高精度的PPLCNet。并在该模型的基础上，进一步使用了以下优化方案：
 
-## 参考文献
+- 使用SSLD预训练模型，在不改变推理速度的前提下，精度可以提升约0.5个百分点
+- 融合EDA数据增强策略，精度可以再提升0.52个百分点
+- 使用SKL-UGI知识蒸馏, 精度可以继续提升0.23个百分点

deploy/python/infer.py

@@ -42,7 +42,7 @@ from utils import argsparser, Timer, get_current_memory_mb
 SUPPORT_MODELS = {
     'YOLO', 'RCNN', 'SSD', 'Face', 'FCOS', 'SOLOv2', 'TTFNet', 'S2ANet', 'JDE',
     'FairMOT', 'DeepSORT', 'GFL', 'PicoDet', 'CenterNet', 'TOOD', 'RetinaNet',
-    'StrongBaseline', 'STGCN', 'YOLOX', 'PPHGNet'
+    'StrongBaseline', 'STGCN', 'YOLOX', 'PPHGNet', 'PPLCNet'
 }
 
 
@@ -307,7 +307,7 @@ class Detector(object):
         if not os.path.exists(self.output_dir):
             os.makedirs(self.output_dir)
         out_path = os.path.join(self.output_dir, video_out_name)
-        fourcc = cv2.VideoWriter_fourcc(*'mp4v')
+        fourcc = cv2.VideoWriter_fourcc(* 'mp4v')
         writer = cv2.VideoWriter(out_path, fourcc, fps, (width, height))
         index = 1
         while (1):