diff --git a/README_cn.md b/README_cn.md index 665d91aefb2b463bd053c763fa28042623350e54..b1e41647b0efb84a1d36ff361547f6580f370202 100644 --- a/README_cn.md +++ b/README_cn.md @@ -440,6 +440,8 @@ - [基于人体关键点检测的合规检测](https://aistudio.baidu.com/aistudio/projectdetail/4061642?contributionType=1) +- [打架识别](https://aistudio.baidu.com/aistudio/projectdetail/4086987?contributionType=1) + ## 应用案例 - [安卓健身APP](https://github.com/zhiboniu/pose_demo_android) diff --git a/deploy/pphuman/README.md b/deploy/pphuman/README.md index c2e7a9914972730350af2dddc7d0320fc396a113..6ec2070d53a3a137c74d039abbf44a4607a6fb9e 100644 --- a/deploy/pphuman/README.md +++ b/deploy/pphuman/README.md @@ -54,6 +54,7 @@ PP-Human支持图片/单镜头视频/多镜头视频多种输入方式，功能 * [快速开始](docs/tutorials/action.md) * 摔倒检测 + * 打架识别 * [二次开发教程](../../docs/advanced_tutorials/customization/action.md) * 方案选择 * 数据准备 diff --git a/deploy/pphuman/docs/images/fight_demo.gif b/deploy/pphuman/docs/images/fight_demo.gif new file mode 100644 index 0000000000000000000000000000000000000000..4add8047baf382ff24a459ff4a74de7ac91d704a Binary files /dev/null and b/deploy/pphuman/docs/images/fight_demo.gif differ diff --git a/deploy/pphuman/docs/tutorials/action.md b/deploy/pphuman/docs/tutorials/action.md index adf1c95cbc2d6ffe6bb41c76c5900fdc21cc9685..8c403784c6a9789b21e5d4a7383e78382f5d6b4b 100644 --- a/deploy/pphuman/docs/tutorials/action.md +++ b/deploy/pphuman/docs/tutorials/action.md @@ -2,21 +2,23 @@ # PP-Human行为识别模块 -行为识别在智慧社区，安防监控等方向具有广泛应用，PP-Human中集成了基于骨骼点的行为识别模块。 +行为识别在智慧社区，安防监控等方向具有广泛应用，PP-Human中集成了基于骨骼点的行为识别模块、基于视频分类的打架识别模块。 + +## 摔倒识别
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
-## 模型库 +### 模型库 在这里，我们提供了检测/跟踪、关键点识别以及识别摔倒动作的预训练模型，用户可以直接下载使用。 | 任务 | 算法 | 精度 | 预测速度(ms) | 模型权重 | 预测部署模型 | |:---------------------|:---------:|:------:|:------:| :------: |:---------------------------------------------------------------------------------: | | 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.pdparams) |[下载链接](https://bj.bcebos.com/v1/paddledet/models/pipeline/mot_ppyoloe_l_36e_pipeline.zip) | | 关键点识别 | HRNet | AP: 87.1 | 单人 2.9ms |[下载链接](https://bj.bcebos.com/v1/paddledet/models/pipeline/dark_hrnet_w32_256x192.pdparams) |[下载链接](https://bj.bcebos.com/v1/paddledet/models/pipeline/dark_hrnet_w32_256x192.zip)| -| 行为识别 | ST-GCN | 准确率: 96.43 | 单人 2.7ms | - |[下载链接](https://bj.bcebos.com/v1/paddledet/models/pipeline/STGCN.zip) | +| 摔倒识别 | ST-GCN | 准确率: 96.43 | 单人 2.7ms | - |[下载链接](https://bj.bcebos.com/v1/paddledet/models/pipeline/STGCN.zip) | 注： @@ -25,8 +27,9 @@ 3. 行为识别模型使用[NTU-RGB+D](https://rose1.ntu.edu.sg/dataset/actionRecognition/)，[UR Fall Detection Dataset](http://fenix.univ.rzeszow.pl/~mkepski/ds/uf.html)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, 速度包含数据预处理、模型预测、后处理全流程。 +### 配置说明 ## 配置说明 -[配置文件](../config/infer_cfg_pphuman.yml)中与行为识别相关的参数如下： +[配置文件](../../config/infer_cfg_pphuman.yml)中与行为识别相关的参数如下： ``` SKELETON_ACTION: model_dir: output_inference/STGCN # 模型所在路径 @@ -38,7 +41,7 @@ SKELETON_ACTION: enable: False #是否开启该功能 ``` -## 使用方法 +### 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. 目前行为识别模块仅支持视频输入，设置infer_cfg_pphuman.yml中`SKELETON_ACTION`的enable: True, 然后启动命令如下： ```python @@ -57,7 +60,7 @@ python deploy/pphuman/pipeline.py --config deploy/pphuman/config/infer_cfg_pphum --model_dir kpt=./dark_hrnet_w32_256x192 action=./STGCN ``` -## 方案说明 +### 方案说明 1. 使用目标检测与多目标跟踪获取视频输入中的行人检测框及跟踪ID序号，模型方案为PP-YOLOE，详细文档参考[PP-YOLOE](../../../configs/ppyoloe/README_cn.md)。 2. 通过行人检测框的坐标在输入视频的对应帧中截取每个行人，并使用[关键点识别模型](../../../configs/keypoint/hrnet/dark_hrnet_w32_256x192.yml)得到对应的17个骨骼特征点。骨骼特征点的顺序及类型与COCO一致，详见[如何准备关键点数据集](../../../docs/tutorials/PrepareKeypointDataSet_cn.md)中的`COCO数据集`部分。 3. 每个跟踪ID对应的目标行人各自累计骨骼特征点结果，组成该人物的时序关键点序列。当累计到预定帧数或跟踪丢失后，使用行为识别模型判断时序关键点序列的动作类型。当前版本模型支持摔倒行为的识别，预测得到的`class id`对应关系为： @@ -67,7 +70,7 @@ python deploy/pphuman/pipeline.py --config deploy/pphuman/config/infer_cfg_pphum ``` 4. 行为识别模型使用了[ST-GCN](https://arxiv.org/abs/1801.07455)，并基于[PaddleVideo](https://github.com/PaddlePaddle/PaddleVideo/blob/develop/docs/zh-CN/model_zoo/recognition/stgcn.md)套件完成模型训练。 -## 自定义模型训练 +### 自定义模型训练 我们已经提供了检测/跟踪、关键点识别以及识别摔倒动作的预训练模型，可直接下载使用。如果希望使用自定义场景数据训练，或是对模型进行优化，根据具体模型，分别参考下面的链接： | 任务 | 算法 | 模型训练及导出文档 | | ---- | ---- | -------- | @@ -75,6 +78,42 @@ python deploy/pphuman/pipeline.py --config deploy/pphuman/config/infer_cfg_pphum | 关键点识别 | HRNet | [使用教程](../../../configs/keypoint#3训练与测试) | | 行为识别 | ST-GCN | [使用教程](https://github.com/PaddlePaddle/PaddleVideo/tree/develop/applications/PPHuman) | +## 打架识别 + +随着监控摄像头部署覆盖范围越来越广，人工查看是否存在打架等异常行为耗时费力、效率低，AI+安防助理智慧安防。PP-Human中集成了打架识别模块，识别视频中是否存在打架行为。我们提供了预训练模型，用户可直接下载使用。 + +| 任务 | 算法 | 精度 | 预测速度(ms) | 模型权重 | 预测部署模型 | +| ---- | ---- | ---------- | ---- | ---- | ---------- | +| 打架识别 | PP-TSM | 准确率：89.06% | T4, 2s视频128ms | [下载链接](https://videotag.bj.bcebos.com/PaddleVideo-release2.3/ppTSM_fight.pdparams) | [下载链接](https://videotag.bj.bcebos.com/PaddleVideo-release2.3/ppTSM_fight.zip) | + +打架识别模型基于6个公开数据集训练得到：Surveillance Camera Fight Dataset、A Dataset for Automatic Violence Detection in Videos、Hockey Fight Detection Dataset、Video Fight Detection Dataset、Real Life Violence Situations Dataset、UBI Abnormal Event Detection Dataset。 + +本项目关注的场景为监控摄像头下的打架行为识别。打架行为涉及多人，基于骨骼点技术的方案更适用于单人的行为识别。此外，打架行为对时序信息依赖较强，基于检测和分类的方案也不太适用。由于监控场景背景复杂，人的密集程度、光线、拍摄角度等都会对识别造成影响，本方案采用基于视频分类的方式判断视频中是否存在打架行为。针对摄像头距离人较远的情况，通过增大输入图像分辨率优化。由于训练数据有限，采用数据增强的方式提升模型的泛化性能。 + +### 使用方法 +1. 从上表链接中下载预测部署模型并解压到`./output_inference`路径下； +2. 修改解压后`ppTSM`文件夹中的文件名称为`model.pdiparams、model.pdiparams.info和model.pdmodel`； +3. 修改配置文件`deploy/pphuman/config/infer_cfg_pphuman.yml`中`VIDEO_ACTION`下的`enable`为`True`； +4. 输入视频，启动命令如下： +``` +python deploy/pphuman/pipeline.py --config deploy/pphuman/config/infer_cfg_pphuman.yml \ + --video_file=test_video.mp4 \ + --device=gpu +``` + +测试效果如下： + +
+ +
+ +数据来源及版权归属：Surveillance Camera Fight Dataset。 + +### 方案说明 + +目前打架识别模型使用的是[PP-TSM](https://github.com/PaddlePaddle/PaddleVideo/blob/develop/docs/zh-CN/model_zoo/recognition/pp-tsm.md)，并在PP-TSM视频分类模型训练流程的基础上修改适配，完成模型训练。对于输入的视频或者视频流，进行等间隔抽帧，当视频帧累计到指定数目时，输入到视频分类模型中判断是否存在打架行为。 + + ## 参考文献 ``` @inproceedings{stgcn2018aaai, diff --git a/deploy/pphuman/tools/clip_video.py b/deploy/pphuman/tools/clip_video.py new file mode 100644 index 0000000000000000000000000000000000000000..fbfb9cd08169b90bc71a436f6a414c4d6d1f480f --- /dev/null +++ b/deploy/pphuman/tools/clip_video.py @@ -0,0 +1,36 @@ +import cv2 + + +def cut_video(video_path, frameToStart, frametoStop, saved_video_path): + cap = cv2.VideoCapture(video_path) + FPS = cap.get(cv2.CAP_PROP_FPS) + + TOTAL_FRAME = int(cap.get(cv2.CAP_PROP_FRAME_COUNT)) # 获取视频总帧数 + + size = (cap.get(cv2.CAP_PROP_FRAME_WIDTH), + cap.get(cv2.CAP_PROP_FRAME_HEIGHT)) + + videoWriter = cv2.VideoWriter( + saved_video_path, + apiPreference=0, + fourcc=cv2.VideoWriter_fourcc(* 'mp4v'), + fps=FPS, + frameSize=(int(size[0]), int(size[1]))) + + COUNT = 0 + while True: + success, frame = cap.read() + if success: + COUNT += 1 + if COUNT <= frametoStop and COUNT > frameToStart: # 选取起始帧 + videoWriter.write(frame) + else: + print("cap.read failed!") + break + if COUNT > frametoStop: + break + + cap.release() + videoWriter.release() + + print(saved_video_path) diff --git a/deploy/pphuman/tools/split_fight_train_test_dataset.py b/deploy/pphuman/tools/split_fight_train_test_dataset.py new file mode 100644 index 0000000000000000000000000000000000000000..5ca8fce64d00ccefee965c899a0d2b96863ff1dc --- /dev/null +++ b/deploy/pphuman/tools/split_fight_train_test_dataset.py @@ -0,0 +1,80 @@ +import os +import glob +import random +import fnmatch +import re +import sys + +class_id = {"nofight": 0, "fight": 1} + + +def get_list(path, key_func=lambda x: x[-11:], rgb_prefix='img_', level=1): + if level == 1: + frame_folders = glob.glob(os.path.join(path, '*')) + elif level == 2: + frame_folders = glob.glob(os.path.join(path, '*', '*')) + else: + raise ValueError('level can be only 1 or 2') + + def count_files(directory): + lst = os.listdir(directory) + cnt = len(fnmatch.filter(lst, rgb_prefix + '*')) + return cnt + + # check RGB + video_dict = {} + for f in frame_folders: + cnt = count_files(f) + k = key_func(f) + if level == 2: + k = k.split("/")[0] + + video_dict[f] = str(cnt) + " " + str(class_id[k]) + + return video_dict + + +def fight_splits(video_dict, train_percent=0.8): + videos = list(video_dict.keys()) + + train_num = int(len(videos) * train_percent) + + train_list = [] + val_list = [] + + random.shuffle(videos) + + for i in range(train_num): + train_list.append(videos[i] + " " + str(video_dict[videos[i]])) + for i in range(train_num, len(videos)): + val_list.append(videos[i] + " " + str(video_dict[videos[i]])) + + print("train:", len(train_list), ",val:", len(val_list)) + + with open("fight_train_list.txt", "w") as f: + for item in train_list: + f.write(item + "\n") + + with open("fight_val_list.txt", "w") as f: + for item in val_list: + f.write(item + "\n") + + +if __name__ == "__main__": + frame_dir = sys.argv[1] # "rawframes" + level = sys.argv[2] # 2 + train_percent = sys.argv[3] # 0.8 + + if level == 2: + + def key_func(x): + return '/'.join(x.split('/')[-2:]) + else: + + def key_func(x): + return x.split('/')[-1] + + video_dict = get_list(frame_dir, key_func=key_func, level=level) + print("number:", len(video_dict)) + + fight_splits(video_dict, train_percent) diff --git a/docs/advanced_tutorials/customization/action.md b/docs/advanced_tutorials/customization/action.md index 219d31c4209ad6d5982a94eb661fb79c00ef1afb..c7fbe723bf71fc182341f4d65c5b9de9272aa404 100644 --- a/docs/advanced_tutorials/customization/action.md +++ b/docs/advanced_tutorials/customization/action.md @@ -2,12 +2,140 @@ ## 方案选择 +行为识别常用的技术有检测技术、骨骼点技术、分类技术等，不同技术方案的优劣势和适用场景如下： + +| 技术方案 | 方案说明 | 方案优势 | 方案劣势 | 适用场景 | +| :--: | :--: | :--: | :--: | :--: | +| 基于人体骨骼点的行为识别 | 1. 通过目标检测技术识别出图像中的人；
2. 针对每个人，基于关键点检测技术识别出关键点；
3. 基于关键点序列变化识别出具体行为。 | 1. 可识别出每个人的行为；
2. 聚焦动作本身，鲁棒性和泛化性好； | 1. 对关键点检测依赖较强，人员较密集或存在遮挡等情况效果不佳；
2. 无法准确识别多人交互动作；
3. 难以处理需要外观及场景信息的动作；
4. 数据收集和标注困难； | 适用于根据人体结构关键点能够区分的行为，背景简单，人数不多场景，如健身场景。 | +| 基于人体id的分类 | 1. 通过目标检测技术得到图像中的人；
2. 针对每个人通过图像分类技术得到具体的行为类别。 | 1.通过检测技术可以为分类剔除无关背景的干扰，提升最终识别精度；
2. 方案简单，易于训练；
3. 数据采集容易；
4. 可结合跳帧及结果复用逻辑，速度快； | 1. 缺少时序信息；
2. 精度不高； | 对时序信息要求不强的动作，且动作既可通过人也可通过人+物的方式判断，如打电话。 | +| 基于人体id的检测 | 1. 通过目标检测技术得到画面中的人；
2. 根据检测结果将人物从原图中抠出，再在扣得的图像中再次用目标检测技术检测与行为强相关的目标。 | 1. 方案简单，易于训练；
2. 可解释性强；
3. 数据采集容易；
4. 可结合跳帧及结果复用逻辑，速度快； | 1. 缺少时序信息；
2. 分辨率较低情况下效果不佳；
3. 密集场景容易发生动作误匹配 | 行为与某特定目标强相关的场景，且目标较小，需要两级检测才能准确定位，如吸烟。 | +| 基于视频分类的行为识别 | 应用视频分类技术对整个视频场景进行分类。 | 1.充分利用背景上下文和时序信息；
2. 可利用语音、字幕等多模态信息；
3. 不依赖检测及跟踪模型；
4. 可处理多人共同组成的动作； | 1. 无法定位到具体某个人的行为；
2. 场景泛化能力较弱；
3.真实数据采集困难； | 无需具体到人的场景的判定，即判断是否存在某种特定行为，多人或对背景依赖较强的动作，如监控画面中打架识别等场景。 | + ## 数据准备 +### 视频分类数据准备 +视频分类任务输入的视频格式一般为`.mp4`、`.avi`等格式视频或者是抽帧后的视频帧序列，标签则可以是`.txt`格式存储的文件。 + +对于打架识别任务，具体数据准备流程如下： + +#### 数据集下载 + +打架识别基于6个公开的打架、暴力行为相关数据集合并后的数据进行模型训练。公开数据集具体信息如下： + +| 数据集 | 下载连接 | 简介 | 标注 | 数量 | 时长 | +| ---- | ---- | ---------- | ---- | ---- | ---------- | +| Surveillance Camera Fight Dataset| https://github.com/sayibet/fight-detection-surv-dataset | 裁剪视频，监控视角 | 视频级别 | 打架：150；非打架：150 | 2s | +| A Dataset for Automatic Violence Detection in Videos | https://github.com/airtlab/A-Dataset-for-Automatic-Violence-Detection-in-Videos | 裁剪视频，室内自行录制 | 视频级别 | 暴力行为：115个场景，2个机位，共230 ；非暴力行为：60个场景，2个机位，共120 | 几秒钟 | +| Hockey Fight Detection Dataset | https://www.kaggle.com/datasets/yassershrief/hockey-fight-vidoes?resource=download | 裁剪视频，非真实场景 | 视频级别 | 打架：500；非打架：500 | 2s | +| Video Fight Detection Dataset | https://www.kaggle.com/datasets/naveenk903/movies-fight-detection-dataset | 裁剪视频，非真实场景 | 视频级别 | 打架：100；非打架：101 | 2s | +| Real Life Violence Situations Dataset | https://www.kaggle.com/datasets/mohamedmustafa/real-life-violence-situations-dataset | 裁剪视频，非真实场景 | 视频级别 | 暴力行为：1000；非暴力行为：1000 | 几秒钟 | +| UBI Abnormal Event Detection Dataset| http://socia-lab.di.ubi.pt/EventDetection/ | 未裁剪视频，监控视角 | 帧级别 | 打架：216；非打架：784；裁剪后二次标注：打架1976，非打架1630 | 原视频几秒到几分钟不等，裁剪后2s | + +打架（暴力行为）视频3956个，非打架（非暴力行为）视频3501个，共7457个视频，每个视频几秒钟。 + +#### 视频抽帧 + +为了加快训练速度，将视频进行抽帧。下面命令会根据视频的帧率FPS进行抽帧，如FPS=30，则每秒视频会抽取30帧图像。 + +```bash +cd ${PaddleVideo_root} +python data/ucf101/extract_rawframes.py dataset/ rawframes/ --level 2 --ext mp4 +``` +其中，视频存放在`dataset`目录下，打架（暴力）视频存放在`dataset/fight`中；非打架（非暴力）视频存放在`dataset/nofight`中。`rawframes`目录存放抽取的视频帧。 + +#### 训练集和验证集划分 + +打架识别验证集1500条，来自Surveillance Camera Fight Dataset、A Dataset for Automatic Violence Detection in Videos、UBI Abnormal Event Detection Dataset三个数据集。 + +也可根据下面的命令将数据按照8:2的比例划分成训练集和测试集： + +```bash +python split_fight_train_test_dataset.py "rawframes" 2 0.8 +``` + +参数说明：“rawframes”为视频帧存放的文件夹；2表示目录结构为两级，第二级表示每个行为对应的子文件夹；0.8表示训练集比例。 + +其中`split_fight_train_test_dataset.py`文件在`deploy/pphuman/tools`路径下。 + +执行完命令后会最终生成fight_train_list.txt和fight_val_list.txt两个文件。打架的标签为1，非打架的标签为0。 + +#### 视频裁剪 +对于未裁剪的视频，需要先进行裁剪才能用于模型训练，`deploy/pphuman/tools/clip_video.py`中给出了视频裁剪的函数`cut_video`，输入为视频路径，裁剪的起始帧和结束帧以及裁剪后的视频保存路径。 + ## 模型优化 ### 1. 摔倒--基于关键点的行为识别方案 +### 2. 打架--基于视频分类的行为识别方案 + +#### VideoMix +[VideoMix](https://arxiv.org/abs/2012.03457)是视频数据增强的方法之一，是对图像数据增强CutMix的扩展，可以缓解模型的过拟合问题。 + +与Mixup将两个视频片段的每个像素点按照一定比例融合不同的是，VideoMix是每个像素点要么属于片段A要么属于片段B。输出结果是两个片段原始标签的加权和，权重是两个片段各自的比例。 + +在baseline的基础上加入VideoMix数据增强后，精度由87.53%提升至88.01%。 + +#### 更大的分辨率 +由于监控摄像头角度、距离等问题，存在监控画面下人比较小的情况，小目标行为的识别较困难，尝试增大输入图像的分辨率，模型精度由88.01%提升至89.06%。 + ## 新增行为 ### 1. 基于关键点的行为识别方案 + +### 2. 基于视频分类的行为识别方案 +目前打架识别模型使用的是[PaddleVideo](https://github.com/PaddlePaddle/PaddleVideo)套件中[PP-TSM](https://github.com/PaddlePaddle/PaddleVideo/blob/develop/docs/zh-CN/model_zoo/recognition/pp-tsm.md)，并在PP-TSM视频分类模型训练流程的基础上修改适配，完成模型训练。 + +请先参考[使用说明](https://github.com/PaddlePaddle/PaddleVideo/blob/develop/docs/zh-CN/usage.md)了解PaddleVideo模型库的使用。 + + +| 任务 | 算法 | 精度 | 预测速度(ms) | 模型权重 | 预测部署模型 | +| ---- | ---- | ---------- | ---- | ---- | ---------- | +| 打架识别 | PP-TSM | 准确率：89.06% | T4, 2s视频128ms | [下载链接](https://videotag.bj.bcebos.com/PaddleVideo-release2.3/ppTSM_fight.pdparams) | [下载链接](https://videotag.bj.bcebos.com/PaddleVideo-release2.3/ppTSM_fight.zip) | + +#### 模型训练 +下载预训练模型： +```bash +wget https://videotag.bj.bcebos.com/PaddleVideo/PretrainModel/ResNet50_vd_ssld_v2_pretrained.pdparams +``` + +执行训练： +```bash +# 单卡训练 +cd ${PaddleVideo_root} +python main.py --validate -c pptsm_fight_frames_dense.yaml +``` + +本方案针对的是视频的二分类问题，如果不是二分类，需要修改配置文件中`MODEL-->head-->num_classes`为具体的类别数目。 + + +```bash +cd ${PaddleVideo_root} +# 多卡训练 +export CUDA_VISIBLE_DEVICES=0,1,2,3 +python -B -m paddle.distributed.launch --gpus=“0,1,2,3” \ + --log_dir=log_pptsm_dense main.py --validate \ + -c pptsm_fight_frames_dense.yaml +``` + +#### 模型评估 +训练好的模型下载：[https://videotag.bj.bcebos.com/PaddleVideo-release2.3/ppTSM_fight.pdparams](https://videotag.bj.bcebos.com/PaddleVideo-release2.3/ppTSM_fight.pdparams) + +模型评估： +```bash +cd ${PaddleVideo_root} +python main.py --test -c pptsm_fight_frames_dense.yaml \ + -w ppTSM_fight_best.pdparams +``` + +其中`ppTSM_fight_best.pdparams`为训练好的模型。 + +#### 模型导出 + +导出inference模型： + +```bash +cd ${PaddleVideo_root} +python tools/export_model.py -c pptsm_fight_frames_dense.yaml \ + -p ppTSM_fight_best.pdparams \ + -o inference/ppTSM +``` diff --git a/industrial_tutorial/README_cn.md b/industrial_tutorial/README_cn.md index 2c1183d691ad51f2ae7af11588a6588e50c2adb4..771d059e8588801577d34314f3c1e55086e1eec8 100644 --- a/industrial_tutorial/README_cn.md +++ b/industrial_tutorial/README_cn.md @@ -23,5 +23,7 @@ - [基于PP-PicoDetv2 的路面垃圾检测](https://aistudio.baidu.com/aistudio/projectdetail/3846170?channelType=0&channel=0) - [基于人体关键点检测的合规检测](https://aistudio.baidu.com/aistudio/projectdetail/4061642?contributionType=1) - + +- [打架识别](https://aistudio.baidu.com/aistudio/projectdetail/4086987?contributionType=1) + *范例将持续更新中