Skip to content
体验新版
项目
组织
正在加载...
登录
切换导航
打开侧边栏
s920243400
PaddleDetection
提交
31d4f503
P
PaddleDetection
项目概览
s920243400
/
PaddleDetection
与 Fork 源项目一致
Fork自
PaddlePaddle / PaddleDetection
通知
2
Star
0
Fork
0
代码
文件
提交
分支
Tags
贡献者
分支图
Diff
Issue
0
列表
看板
标记
里程碑
合并请求
0
Wiki
0
Wiki
分析
仓库
DevOps
项目成员
Pages
P
PaddleDetection
项目概览
项目概览
详情
发布
仓库
仓库
文件
提交
分支
标签
贡献者
分支图
比较
Issue
0
Issue
0
列表
看板
标记
里程碑
合并请求
0
合并请求
0
Pages
分析
分析
仓库分析
DevOps
Wiki
0
Wiki
成员
成员
收起侧边栏
关闭侧边栏
动态
分支图
创建新Issue
提交
Issue看板
未验证
提交
31d4f503
编写于
3月 23, 2022
作者:
W
wangguanzhong
提交者:
GitHub
3月 23, 2022
浏览文件
操作
浏览文件
下载
电子邮件补丁
差异文件
add attr doc (#5430)
* add attr doc * update attr intro
上级
ecde425e
变更
3
隐藏空白更改
内联
并排
Showing
3 changed file
with
88 addition
and
4 deletion
+88
-4
deploy/pphuman/README.md
deploy/pphuman/README.md
+4
-4
deploy/pphuman/docs/attribute.md
deploy/pphuman/docs/attribute.md
+84
-0
deploy/pphuman/docs/images/attribute.gif
deploy/pphuman/docs/images/attribute.gif
+0
-0
未找到文件。
deploy/pphuman/README.md
浏览文件 @
31d4f503
...
...
@@ -130,7 +130,7 @@ PP-Human整体方案如下图所示
### 1. 目标检测
-
采用PP-YOLOE L 作为目标检测模型
-
详细文档参考
[
PP-YOLOE
](
configs/ppyoloe/
)
-
详细文档参考
[
PP-YOLOE
](
../../
configs/ppyoloe/
)
### 2. 多目标跟踪
-
采用SDE方案完成多目标跟踪
...
...
@@ -142,15 +142,15 @@ PP-Human整体方案如下图所示
-
使用PP-YOLOE + Bytetrack得到单镜头多目标跟踪轨迹
-
使用ReID(centroid网络)对每一帧的检测结果提取特征
-
多镜头轨迹特征进行匹配,得到跨镜头跟踪结果
-
详细文档参考
[
跨镜跟踪
](
doc/mtmct.md
)
-
详细文档参考
[
跨镜跟踪
](
doc
s
/mtmct.md
)
### 4. 属性识别
-
使用PP-YOLOE + Bytetrack跟踪人体
-
使用StrongBaseline(多分类模型)完成识别属性,主要属性包括年龄、性别、帽子、眼睛、上衣下衣款式、背包等
-
详细文档参考
[
属性识别
](
doc/attribute.md
)
-
详细文档参考
[
属性识别
](
doc
s
/attribute.md
)
### 5. 行为识别:
-
使用PP-YOLOE + Bytetrack跟踪人体
-
使用HRNet进行关键点检测得到人体17个骨骼点
-
结合100帧内同一个人骨骼点的变化,通过ST-GCN判断100帧内发生的动作是否为摔倒
-
详细文档参考
[
行为识别
](
doc/action.md
)
-
详细文档参考
[
行为识别
](
doc
s
/action.md
)
deploy/pphuman/docs/attribute.md
0 → 100644
浏览文件 @
31d4f503
# PP-Human属性识别模块
行人属性识别在智慧社区,工业巡检,交通监控等方向都具有广泛应用,PP-Human中集成了属性识别模块,属性包含性别、年龄、帽子、眼镜、上衣下衣款式等。我们提供了预训练模型,用户可以直接下载使用。
| 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
<br>
MOTA: 72.0 | 检测: 28ms
<br>
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
)
|
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
## 使用方法
1.
从上表链接中下载模型并解压到
```./output_inference```
路径下
2.
图片输入时,启动命令如下
```
python
python
deploy
/
pphuman
/
pipeline
.
py
--
config
deploy
/
pphuman
/
config
/
infer_cfg
.
yml
\
--
image_file
=
test_image
.
jpg
\
--
device
=
gpu
\
--
enable_attr
=
True
```
3.
视频输入时,启动命令如下
```
python
python
deploy
/
pphuman
/
pipeline
.
py
--
config
deploy
/
pphuman
/
config
/
infer_cfg
.
yml
\
--
video_file
=
test_video
.
mp4
\
--
device
=
gpu
\
--
enable_attr
=
True
```
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:
```
python
python
deploy
/
pphuman
/
pipeline
.
py
--
config
deploy
/
pphuman
/
config
/
infer_cfg
.
yml
\
--
video_file
=
test_video
.
mp4
\
--
device
=
gpu
\
--
enable_attr
=
True
\
--
model_dir
det
=
ppyoloe
/
```
测试效果如下:
<div
width=
"1000"
align=
"center"
>
<img
src=
"./images/attribute.gif"
/>
</div>
数据来源及版权归属:天覆科技,感谢提供并开源实际场景数据,仅限学术研究使用
## 方案说明
1.
目标检测/多目标跟踪获取图片/视频输入中的行人检测框,模型方案为PP-YOLOE,详细文档参考
[
PP-YOLOE
](
../../../configs/ppyoloe
)
2.
通过行人检测框的坐标在输入图像中截取每个行人
3.
使用属性识别分析每个行人对应属性,属性类型与PA100k数据集相同,具体属性列表如下:
```
- 性别:男、女
- 年龄:小于18、18-60、大于60
- 朝向:朝前、朝后、侧面
- 配饰:眼镜、帽子、无
- 正面持物:是、否
- 包:双肩包、单肩包、手提包
- 上衣风格:带条纹、带logo、带格子、拼接风格
- 下装风格:带条纹、带图案
- 短袖上衣:是、否
- 长袖上衣:是、否
- 长外套:是、否
- 长裤:是、否
- 短裤:是、否
- 短裙&裙子:是、否
- 穿靴:是、否
```
4.
属性识别模型方案为
[
StrongBaseline
](
https://arxiv.org/pdf/2107.03576.pdf
)
,模型结构为基于ResNet50的多分类网络结构,引入Weighted BCE loss和EMA提升模型效果。
## 参考文献
```
@article{jia2020rethinking,
title={Rethinking of pedestrian attribute recognition: Realistic datasets with efficient method},
author={Jia, Jian and Huang, Houjing and Yang, Wenjie and Chen, Xiaotang and Huang, Kaiqi},
journal={arXiv preprint arXiv:2005.11909},
year={2020}
}
```
deploy/pphuman/docs/images/attribute.gif
0 → 100644
浏览文件 @
31d4f503
8.4 MB
编辑
预览
Markdown
is supported
0%
请重试
或
添加新附件
.
添加附件
取消
You are about to add
0
people
to the discussion. Proceed with caution.
先完成此消息的编辑!
取消
想要评论请
注册
或
登录