diff --git a/deploy/pphuman/README.md b/deploy/pphuman/README.md
index f8949e08d8a02b8e95940375302f62e279e3f8a7..008cb69b170b5e60dbf071c9ad0c6ca9a466e4b8 100644
--- a/deploy/pphuman/README.md
+++ b/deploy/pphuman/README.md
@@ -5,10 +5,11 @@
PP-Human是基于飞桨深度学习框架的业界首个开源的实时行人分析工具，具有功能丰富，应用广泛和部署高效三大优势。PP-Human
支持图片/单镜头视频/多镜头视频多种输入方式，功能覆盖多目标跟踪、属性识别和行为分析。能够广泛应用于智慧交通、智慧社区、工业巡检等领域。支持服务器端部署及TensorRT加速，T4服务器上可达到实时。
+PP-Human赋能社区智能精细化管理, AIStudio快速上手教程[链接](https://aistudio.baidu.com/aistudio/projectdetail/3679564)
## 一、环境准备
-环境要求： PaddleDetection版本 >= release/2.4
+环境要求： PaddleDetection版本 >= release/2.4 或 develop版本
PaddlePaddle和PaddleDetection安装
@@ -36,22 +37,24 @@ pip install -r requirements.txt
PP-Human提供了目标检测、属性识别、行为识别、ReID预训练模型，以实现不同使用场景，用户可以直接下载使用
-| 任务 | 适用场景 | 精度 | 预测速度（FPS） | 预测部署模型 |
+| 任务 | 适用场景 | 精度 | 预测速度（ms） | 预测部署模型 |
| :---------: |:---------: |:--------------- | :-------: | :------: |
-| 目标检测 | 图片/视频输入 | - | - | [下载链接](https://bj.bcebos.com/v1/paddledet/models/pipeline/mot_ppyoloe_l_36e_pipeline.zip) |
-| 属性识别 | 图片/视频输入 属性识别 | - | - | [下载链接](https://bj.bcebos.com/v1/paddledet/models/pipeline/strongbaseline_r50_30e_pa100k.zip) |
-| 关键点检测 | 视频输入 行为识别 | - | - | [下载链接](https://bj.bcebos.com/v1/paddledet/models/pipeline/dark_hrnet_w32_256x192.zip)
-| 行为识别 | 视频输入 行为识别 | - | - | [下载链接](https://bj.bcebos.com/v1/paddledet/models/pipeline/STGCN.zip) |
-| ReID | 视频输入 跨镜跟踪 | - | - | [下载链接]() |
+| 目标检测 | 图片输入 | mAP: 56.3 | 28.0ms | [下载链接](https://bj.bcebos.com/v1/paddledet/models/pipeline/mot_ppyoloe_l_36e_pipeline.zip) |
+| 目标跟踪 | 视频输入 | MOTA: 72.0 | 33.1ms | [下载链接](https://bj.bcebos.com/v1/paddledet/models/pipeline/mot_ppyoloe_l_36e_pipeline.zip) |
+| 属性识别 | 图片/视频输入 属性识别 | mA: 94.86 | 单人2ms | [下载链接](https://bj.bcebos.com/v1/paddledet/models/pipeline/strongbaseline_r50_30e_pa100k.zip) |
+| 关键点检测 | 视频输入 行为识别 | AP: 87.1 | 单人2.9ms | [下载链接](https://bj.bcebos.com/v1/paddledet/models/pipeline/dark_hrnet_w32_256x192.zip)
+| 行为识别 | 视频输入 行为识别 | 准确率: 96.43 | 单人2.7ms | [下载链接](https://bj.bcebos.com/v1/paddledet/models/pipeline/STGCN.zip) |
+| ReID | 视频输入 跨镜跟踪 | mAP: 99.7 | - | [下载链接](https://bj.bcebos.com/v1/paddledet/models/pipeline/reid_model.zip) |
下载模型后，解压至`./output_inference`文件夹
**注意：**
- 模型精度为融合数据集结果，数据集包含开源数据集和企业数据集
-- 预测速度为T4下，开启TensorRT FP16的效果
+- ReID模型精度为Market1501数据集测试结果
+- 预测速度为T4下，开启TensorRT FP16的效果, 模型预测速度包含数据预处理、模型预测、后处理全流程
-### 2. 配置文件准备
+### 2. 配置文件说明
PP-Human相关配置位于```deploy/pphuman/config/infer_cfg.yml```中，存放模型路径，完成不同功能需要设置不同的任务类型
@@ -80,6 +83,10 @@ ATTR:
batch_size: 8
```
+**注意：**
+
+- 如果用户仅需要实现不同任务，可以在命令行中加入 `--enable_attr=True` 或 `--enable_action=True`即可，无需修改配置文件
+- 如果用户仅需要修改模型文件路径，可以在命令行中加入 `--model_dir det=ppyoloe/` 即可，无需修改配置文件，详细说明参考下方参数说明文档
### 3. 预测部署
@@ -104,13 +111,13 @@ python deploy/pphuman/pipeline.py --config deploy/pphuman/config/infer_cfg.yml -
| 参数 | 是否必须|含义 |
|-------|-------|----------|
| --config | Yes | 配置文件路径 |
-| --model_dir | Option | PP-Human中各任务模型路径，优先级高于配置文件 |
+| --model_dir | Option | PP-Human中各任务模型路径，优先级高于配置文件, 例如`--model_dir det=better_det/ attr=better_attr/`|
| --image_file | Option | 需要预测的图片 |
| --image_dir | Option | 要预测的图片文件夹路径 |
| --video_file | Option | 需要预测的视频 |
| --camera_id | Option | 用来预测的摄像头ID，默认为-1(表示不使用摄像头预测，可设置为：0 - (摄像头数目-1) )，预测过程中在可视化界面按`q`退出输出预测结果到：output/output.mp4|
-| --enable_attr| Option | 是否进行属性识别 |
-| --enable_action| Option | 是否进行行为识别 |
+| --enable_attr| Option | 是否进行属性识别, 默认为False，即不开启属性识别 |
+| --enable_action| Option | 是否进行行为识别，默认为False，即不开启行为识别 |
| --device | Option | 运行时的设备，可选择`CPU/GPU/XPU`，默认为`CPU`|
| --output_dir | Option|可视化结果保存的根目录，默认为output/|
| --run_mode | Option |使用GPU时，默认为paddle, 可选（paddle/trt_fp32/trt_fp16/trt_int8）|
diff --git a/deploy/pphuman/docs/action.md b/deploy/pphuman/docs/action.md
index 3417ace006e78d49d262dc72692cb2c5f532b831..82d1ac0e3a40ccb3745460d27ec94df425616033 100644
--- a/deploy/pphuman/docs/action.md
+++ b/deploy/pphuman/docs/action.md
@@ -21,7 +21,7 @@
1. 检测/跟踪模型精度为MOT17，CrowdHuman,HIEVE和部分业务数据融合训练测试得到。
2. 关键点模型使用COCO，UAVHuman和部分业务数据融合训练, 精度在业务数据测试集上得到。
3. 行为识别模型使用NTU-RGB+D，UR Fall Detection Dataset和部分业务数据融合训练，精度在业务数据测试集上得到。
-4. 预测速度为NVIDIA T4 机器上使用TensorRT FP16时的速度。
+4. 预测速度为NVIDIA T4 机器上使用TensorRT FP16时的速度, 速度包含数据预处理、模型预测、后处理全流程。
## 配置说明
[配置文件](../config/infer_cfg.yml)中与行为识别相关的参数如下：
diff --git a/deploy/pphuman/docs/attribute.md b/deploy/pphuman/docs/attribute.md
index 860007f9da002190ccebcef98e8a659cd6884724..839ea23fb31f88daa7ff50f6d3d35a1c24542fe0 100644
--- a/deploy/pphuman/docs/attribute.md
+++ b/deploy/pphuman/docs/attribute.md
@@ -5,11 +5,11 @@
| 任务 | 算法 | 精度 | 预测速度(ms) |下载链接 |
|:---------------------|:---------:|:------:|:------:| :---------------------------------------------------------------------------------: |
| 行人检测/跟踪 | PP-YOLOE | mAP: 56.3
MOTA: 72.0 | 检测: 28ms
跟踪：33.1ms | [下载链接](https://bj.bcebos.com/v1/paddledet/models/pipeline/mot_ppyoloe_l_36e_pipeline.zip) |
-| 行人属性分析 | StrongBaseline | ma: 94.86 | 单人 2ms | [下载链接](https://bj.bcebos.com/v1/paddledet/models/pipeline/strongbaseline_r50_30e_pa100k.tar) |
+| 行人属性分析 | StrongBaseline | mA: 94.86 | 单人 2ms | [下载链接](https://bj.bcebos.com/v1/paddledet/models/pipeline/strongbaseline_r50_30e_pa100k.zip) |
1. 检测/跟踪模型精度为MOT17，CrowdHuman，HIEVE和部分业务数据融合训练测试得到
2. 行人属性分析精度为PA100k，RAPv2，PETA和部分业务数据融合训练测试得到
-3. 预测速度为T4 机器上使用TensorRT FP16时的速度
+3. 预测速度为T4 机器上使用TensorRT FP16时的速度, 速度包含数据预处理、模型预测、后处理全流程
## 使用方法
@@ -31,7 +31,7 @@ python deploy/pphuman/pipeline.py --config deploy/pphuman/config/infer_cfg.yml \
4. 若修改模型路径，有以下两种方式：
- ```./deploy/pphuman/config/infer_cfg.yml```下可以配置不同模型路径，属性识别模型修改ATTR字段下配置
- - 命令行中增加`--model_dir`修改模型路径：
+ - **(推荐)**命令行中增加`--model_dir`修改模型路径：
```python
python deploy/pphuman/pipeline.py --config deploy/pphuman/config/infer_cfg.yml \
--video_file=test_video.mp4 \
diff --git a/deploy/pphuman/docs/mot.md b/deploy/pphuman/docs/mot.md
index 6dbcd3b6af17ce68b6b3a12dfc39512a001157d9..72e3045cf56cd30185a64eff879d08748a05a38b 100644
--- a/deploy/pphuman/docs/mot.md
+++ b/deploy/pphuman/docs/mot.md
@@ -7,7 +7,7 @@
| 行人检测/跟踪 | PP-YOLOE | mAP: 56.3
MOTA: 72.0 | 检测: 28ms
跟踪：33.1ms | [下载链接](https://bj.bcebos.com/v1/paddledet/models/pipeline/mot_ppyoloe_l_36e_pipeline.zip) |
1. 检测/跟踪模型精度为MOT17，CrowdHuman，HIEVE和部分业务数据融合训练测试得到
-2. 预测速度为T4 机器上使用TensorRT FP16时的速度
+2. 预测速度为T4 机器上使用TensorRT FP16时的速度, 速度包含数据预处理、模型预测、后处理全流程
## 使用方法
@@ -38,7 +38,8 @@ python deploy/pphuman/pipeline.py --config deploy/pphuman/config/infer_cfg.yml \
```
**注意:**
- - `--do_entrance_counting`表示是否统计出入口流量，不设置即默认为False，`--draw_center_traj`表示是否绘制跟踪轨迹，不设置即默认为False。注意绘制跟踪轨迹的测试视频最好是静止摄像头拍摄的。
+ - `--do_entrance_counting`表示是否统计出入口流量，不设置即默认为False
+ - `--draw_center_traj`表示是否绘制跟踪轨迹，不设置即默认为False。注意绘制跟踪轨迹的测试视频最好是静止摄像头拍摄的。
测试效果如下：
diff --git a/deploy/pptracking/python/mot/visualize.py b/deploy/pptracking/python/mot/visualize.py
index f803d5fb8c2d55f5d05f229be414f36d2e886d5e..bf39d6db8157175259b8940c5a74a8e500fe38f1 100644
--- a/deploy/pptracking/python/mot/visualize.py
+++ b/deploy/pptracking/python/mot/visualize.py
@@ -209,7 +209,7 @@ def plot_tracking_dict(image,
end = records[-1].find('In')
cv2.putText(
im,
- records[-1][start:end], (0, int(40 * text_scale)),
+ records[-1][start:end], (0, int(40 * text_scale) + 10),
cv2.FONT_ITALIC,
text_scale, (0, 0, 255),
thickness=text_thickness)
@@ -226,7 +226,7 @@ def plot_tracking_dict(image,
start = records[-1].find('In')
cv2.putText(
im,
- records[-1][start:-1], (0, int(60 * text_scale)),
+ records[-1][start:-1], (0, int(60 * text_scale) + 10),
cv2.FONT_ITALIC,
text_scale, (0, 0, 255),
thickness=text_thickness)