yangjun
dfa27afb39
提交PaddleDetection develop 分支 d56cf3f7c294a7138013dac21f87da4ea6bee829
|
1 년 전 | |
|---|---|---|
| .. | ||
| config | 1 년 전 | |
| docs | 1 년 전 | |
| pphuman | 1 년 전 | |
| ppvehicle | 1 년 전 | |
| tools | 1 년 전 | |
| README.md | 1 년 전 | |
| README_en.md | 1 년 전 | |
| __init__.py | 1 년 전 | |
| cfg_utils.py | 1 년 전 | |
| datacollector.py | 1 년 전 | |
| download.py | 1 년 전 | |
| pipe_utils.py | 1 년 전 | |
| pipeline.py | 1 년 전 | |
README.md
简体中文 | English
PaddleDetection深入探索核心行业的高频场景，提供了行人、车辆场景的开箱即用分析工具，支持图片/单镜头视频/多镜头视频/在线视频流多种输入方式，广泛应用于智慧交通、智慧城市、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支持四大产业级功能：五大异常行为识别、26种人体属性分析、实时人流计数、跨镜头（ReID）跟踪。
🚗🚙 PP-Vehicle囊括四大交通场景核心功能：车牌识别、属性识别、车流量统计、违章检测。
📣 近期更新
- 🔥🔥🔥 2022.8.20：PP-Vehicle首发，提供车牌识别、车辆属性分析（颜色、车型）、车流量统计以及违章检测四大功能，完善的文档教程支持高效完成二次开发与模型优化
- 2022.7.13：PP-Human v2发布，新增打架、打电话、抽烟、闯入四大行为识别，底层算法性能升级，覆盖行人检测、跟踪、属性三类核心算法能力，提供保姆级全流程开发及模型优化策略
- 2022.4.18：新增PP-Human全流程实战教程, 覆盖训练、部署、动作类型扩展等内容，AIStudio项目请见链接
- 2022.4.10：新增PP-Human范例，赋能社区智能精细化管理, AIStudio快速上手教程链接
- 2022.4.5：全新发布实时行人分析工具PP-Human，支持行人跟踪、人流量统计、人体属性识别与摔倒检测四大能力，基于真实场景数据特殊优化，精准识别各类摔倒姿势，适应不同环境背景、光线及摄像角度
🔮 功能介绍与效果展示
PP-Human
| ⭐ 功能 | 💟 方案优势 | 💡示例图 |
|---|---|---|
| 跨镜跟踪（ReID） | 超强性能：针对目标遮挡、完整度、模糊度等难点特殊优化，实现mAP 98.8、1.5ms/人 |  |
| 属性分析 | 兼容多种数据格式：支持图片、视频、在线视频流输入 高性能：融合开源数据集与企业真实数据进行训练，实现mAP 95.4、2ms/人 支持26种属性：性别、年龄、眼镜、上衣、鞋子、帽子、背包等26种高频属性 |
 |
| 行为识别 | 功能丰富：支持摔倒、打架、抽烟、打电话、人员闯入五种高频异常行为识别 鲁棒性强：对光照、视角、背景环境无限制 性能高：与视频识别技术相比，模型计算量大幅降低，支持本地化与服务化快速部署 训练速度快：仅需15分钟即可产出高精度行为识别模型 |
 |
| 人流量计数 轨迹记录 |
简洁易用：单个参数即可开启人流量计数与轨迹记录功能 |  |
PP-Vehicle
| ⭐ 功能 | 💟 方案优势 | 💡示例图 |
|---|---|---|
| 车牌识别 | 支持传统车牌和新能源绿色车牌 车牌识别采用长间隔采样识别与多次结果统计投票方式，算力消耗少，识别精度高，结果稳定性好。 检测模型 hmean: 0.979; 识别模型 acc: 0.773 |
 |
| 车辆属性分析 | 支持多种车型、颜色类别识别 使用更强力的Backbone模型PP-HGNet、PP-LCNet,精度高、速度快。识别精度: 90.81 |
 |
| 违章检测 | 简单易用：一行命令即可实现违停检测，自定义设置区域 检测、跟踪效果好，可实现违停车辆车牌识别 |
 |
| 车流量计数 | 简单易用：一行命令即可开启功能，自定义出入位置 可提供目标跟踪轨迹显示，统计准确度高 |
 |
🗳 模型库
PP-Human
端到端模型效果（点击展开）
| 任务 | 端到端速度（ms） | 模型方案 | 模型体积 |
|---|---|---|---|
| 行人检测（高精度） | 25.1ms | 多目标跟踪 | 182M |
| 行人检测（轻量级） | 16.2ms | 多目标跟踪 | 27M |
| 行人跟踪（高精度） | 31.8ms | 多目标跟踪 | 182M |
| 行人跟踪（轻量级） | 21.0ms | 多目标跟踪 | 27M |
| 跨镜跟踪(REID) | 单人1.5ms | REID | REID：92M |
| 属性识别（高精度） | 单人8.5ms | 目标检测 属性识别 |
目标检测：182M 属性识别：86M |
| 属性识别（轻量级） | 单人7.1ms | 目标检测 属性识别 |
目标检测：182M 属性识别：86M |
| 摔倒识别 | 单人10ms | 多目标跟踪 关键点检测 基于关键点行为识别 |
多目标跟踪：182M 关键点检测：101M 基于关键点行为识别：21.8M |
| 闯入识别 | 31.8ms | 多目标跟踪 | 182M |
| 打架识别 | 19.7ms | 视频分类 | 90M |
| 抽烟识别 | 单人15.1ms | 目标检测 基于人体id的目标检测 |
目标检测：182M 基于人体id的目标检测：27M |
| 打电话识别 | 单人ms | 目标检测 基于人体id的图像分类 |
目标检测：182M 基于人体id的图像分类：45M |
点击模型方案中的模型即可下载指定模型，下载后解压存放至./output_inference目录中
PP-Vehicle
端到端模型效果（点击展开）
| 任务 | 端到端速度（ms） | 模型方案 | 模型体积 |
|---|---|---|---|
| 车辆检测（高精度） | 25.7ms | 多目标跟踪 | 182M |
| 车辆检测（轻量级） | 13.2ms | 多目标跟踪 | 27M |
| 车辆跟踪（高精度） | 40ms | 多目标跟踪 | 182M |
| 车辆跟踪（轻量级） | 25ms | 多目标跟踪 | 27M |
| 车牌识别 | 4.68ms | 车牌检测 车牌字符识别 |
车牌检测：3.9M 车牌字符识别： 12M |
| 车辆属性 | 7.31ms | 车辆属性 | 7.2M |
点击模型方案中的模型即可下载指定模型，下载后解压存放至./output_inference目录中