MaochengHu 576cda45b8 first commit		2 年前
..
config	576cda45b8 first commit	2 年前
docs	576cda45b8 first commit	2 年前
README.md	576cda45b8 first commit	2 年前
README_en.md	576cda45b8 first commit	2 年前
__init__.py	576cda45b8 first commit	2 年前
datacollector.py	576cda45b8 first commit	2 年前
mtmct.py	576cda45b8 first commit	2 年前
pipe_utils.py	576cda45b8 first commit	2 年前
pipeline.py	576cda45b8 first commit	2 年前
reid.py	576cda45b8 first commit	2 年前

English | 简体中文

实时行人分析 PP-Human

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

实时行人分析全流程实战, 覆盖训练、部署、动作类型扩展等内容，AIStudio项目请见链接

一、环境准备

环境要求： PaddleDetection版本 >= release/2.4 或 develop版本

PaddlePaddle和PaddleDetection安装

# PaddlePaddle CUDA10.1
python -m pip install paddlepaddle-gpu==2.2.2.post101 -f https://www.paddlepaddle.org.cn/whl/linux/mkl/avx/stable.html

# PaddlePaddle CPU
python -m pip install paddlepaddle -i https://mirror.baidu.com/pypi/simple

# 克隆PaddleDetection仓库
cd <path/to/clone/PaddleDetection>
git clone https://github.com/PaddlePaddle/PaddleDetection.git

# 安装其他依赖
cd PaddleDetection
pip install -r requirements.txt

详细安装文档参考文档
如果需要TensorRT推理加速（测速方式），请安装带TensorRT版本Paddle。您可以从Paddle安装包下载安装，或者按照指导文档使用docker或自编译方式准备Paddle环境。

二、快速开始

1. 模型下载

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（ms）	模型权重	预测部署模型
目标检测	图片输入	mAP: 56.3	28.0ms	下载链接	下载链接
目标跟踪	视频输入	MOTA: 72.0	33.1ms	下载链接	下载链接
属性识别	图片/视频输入属性识别	mA: 94.86	单人2ms	-	下载链接
关键点检测	视频输入行为识别	AP: 87.1	单人2.9ms	下载链接	下载链接
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
ReID	视频输入跨镜跟踪	mAP: 98.8	单人1.5ms	-	下载链接

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
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

功能及任务类型对应表单如下：

输入类型	功能	任务类型	配置项
图片	属性识别	目标检测属性识别	DET ATTR
单镜头视频	属性识别	多目标跟踪属性识别	MOT ATTR
单镜头视频	行为识别	多目标跟踪关键点检测行为识别	MOT KPT ACTION

例如基于视频输入的属性识别，任务类型包含多目标跟踪和属性识别，具体配置如下：

crop_thresh: 0.5
attr_thresh: 0.5
visual: True

MOT:
  model_dir: output_inference/mot_ppyoloe_l_36e_pipeline/
  tracker_config: deploy/pphuman/config/tracker_config.yml
  batch_size: 1

ATTR:
  model_dir: output_inference/strongbaseline_r50_30e_pa100k/
  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

# 行人检测，指定配置文件路径和测试图片
python deploy/pphuman/pipeline.py --config deploy/pphuman/config/infer_cfg.yml --image_file=test_image.jpg --device=gpu [--run_mode trt_fp16]

# 行人跟踪，指定配置文件路径和测试视频
python deploy/pphuman/pipeline.py --config deploy/pphuman/config/infer_cfg.yml --video_file=test_video.mp4 --device=gpu [--run_mode trt_fp16]

# 行人跟踪，指定配置文件路径，模型路径和测试视频
# 命令行中指定的模型路径优先级高于配置文件
python deploy/pphuman/pipeline.py --config deploy/pphuman/config/infer_cfg.yml --video_file=test_video.mp4 --device=gpu --model_dir det=ppyoloe/ [--run_mode trt_fp16]

# 行人属性识别，指定配置文件路径和测试视频
python deploy/pphuman/pipeline.py --config deploy/pphuman/config/infer_cfg.yml --video_file=test_video.mp4 --device=gpu --enable_attr=True [--run_mode trt_fp16]

# 行为识别，指定配置文件路径和测试视频
python deploy/pphuman/pipeline.py --config deploy/pphuman/config/infer_cfg.yml --video_file=test_video.mp4 --device=gpu --enable_action=True [--run_mode trt_fp16]

# 行人跨境跟踪，指定配置文件路径和测试视频列表文件夹
python deploy/pphuman/pipeline.py --config deploy/pphuman/config/infer_cfg.yml --video_dir=mtmct_dir/ --device=gpu [--run_mode trt_fp16]

其他用法请参考子任务文档

3.1 参数说明

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, 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, 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）
--enable_mkldnn	Option	CPU预测中是否开启MKLDNN加速，默认为False
--cpu_threads	Option	设置cpu线程数，默认为1
--trt_calib_mode	Option	TensorRT是否使用校准功能，默认为False。使用TensorRT的int8功能时，需设置为True，使用PaddleSlim量化后的模型时需要设置为False
--do_entrance_counting	Option	是否统计出入口流量，默认为False
--draw_center_traj	Option	是否绘制跟踪轨迹，默认为False

三、方案介绍

PP-Human整体方案如下图所示

1. 行人检测

采用PP-YOLOE L 作为目标检测模型
详细文档参考PP-YOLOE和检测跟踪文档

2. 行人跟踪

采用SDE方案完成行人跟踪
检测模型使用PP-YOLOE L
跟踪模块采用Bytetrack方案
详细文档参考Bytetrack和检测跟踪文档

3. 跨镜行人跟踪

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

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

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50帧内同一个人骨骼点的变化，通过ST-GCN判断50帧内发生的动作是否为摔倒
详细文档参考行为识别

README.md