[paddlepaddle][转载][官方教程]PP-Human快速开始
目录
- 环境准备
- 模型下载
- 配置文件说明
- 预测部署
- 参数说明
- 方案介绍
- 行人检测
- 行人跟踪
- 跨镜行人跟踪
- 属性识别
- 行为识别
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
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。
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 | 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 | 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6.0ms | 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 |
下载模型后，解压至./output_inference文件夹。
在配置文件中，模型路径默认为模型的下载路径，如果用户不修改，则在推理时会自动下载对应的模型。
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
配置文件说明
PP-Human相关配置位于deploy/pipeline/config/infer_cfg_pphuman.yml中，存放模型路径，该配置文件中包含了目前PP-Human支持的所有功能。如果想要查看某个单一功能的配置，请参见deploy/pipeline/config/examples/中相关配置。此外，配置文件中的内容可以通过-o命令行参数修改，如修改属性的模型目录，则可通过-o ATTR.model_dir="DIR_PATH"进行设置。
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 摔倒识别 | MOT KPT SKELETON_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: https://bj.bcebos.com/v1/paddledet/models/pipeline/mot_ppyoloe_l_36e_pipeline.zip
tracker_config: deploy/pipeline/config/tracker_config.yml
batch_size: 1
enable: True
ATTR:
model_dir: https://bj.bcebos.com/v1/paddledet/models/pipeline/PPLCNet_x1_0_person_attribute_945_infer.zip
batch_size: 8
enable: True
注意：
- 如果用户需要实现不同任务，可以在配置文件对应enable选项设置为True。
预测部署
- 直接使用默认配置或者examples中配置文件，或者直接在
infer_cfg_pphuman.yml中修改配置：
# 例：行人检测，指定配置文件路径和测试图片，图片输入默认打开检测模型
python deploy/pipeline/pipeline.py --config deploy/pipeline/config/infer_cfg_pphuman.yml --image_file=test_image.jpg --device=gpu
# 例：行人属性识别，直接使用examples中配置
python deploy/pipeline/pipeline.py --config deploy/pipeline/config/examples/infer_cfg_human_attr.yml --video_file=test_video.mp4 --device=gpu
- 使用命令行进行功能开启，或者模型路径修改：
# 例：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/pipeline/pipeline.py --config deploy/pipeline/config/infer_cfg_pphuman.yml -o MOT.enable=True MOT.model_dir=ppyoloe_infer/ --video_file=test_video.mp4 --device=gpu
# 例：行为识别，以摔倒识别为例，命令行中开启SKELETON_ACTION模型
python deploy/pipeline/pipeline.py --config deploy/pipeline/config/infer_cfg_pphuman.yml -o SKELETON_ACTION.enbale=True --video_file=test_video.mp4 --device=gpu
- rtsp推拉流
- rtsp拉流预测
对rtsp拉流的支持，使用--rtsp RTSP [RTSP ...]参数指定一路或者多路rtsp视频流，如果是多路地址中间用空格隔开。(或者video_file后面的视频地址直接更换为rtsp流地址)，示例如下：
# 例：行人属性识别，单路视频流
python deploy/pipeline/pipeline.py --config deploy/pipeline/config/examples/infer_cfg_human_attr.yml -o visual=False --rtsp rtsp://[YOUR_RTSP_SITE] --device=gpu
# 例：行人属性识别，多路视频流
python deploy/pipeline/pipeline.py --config deploy/pipeline/config/examples/infer_cfg_human_attr.yml -o visual=False --rtsp rtsp://[YOUR_RTSP_SITE1] rtsp://[YOUR_RTSP_SITE2] --device=gpu
- 视频结果推流rtsp
预测结果进行rtsp推流，使用--pushurl rtsp:[IP] 推流到IP地址端，PC端可以使用VLC播放器打开网络流进行播放，播放地址为 rtsp:[IP]/videoname。其中videoname是预测的视频文件名，如果视频来源是本地摄像头则videoname默认为output.
# 例：行人属性识别，单路视频流，该示例播放地址为 rtsp://[YOUR_SERVER_IP]:8554/test_video
python deploy/pipeline/pipeline.py --config deploy/pipeline/config/examples/infer_cfg_human_attr.yml --video_file=test_video.mp4 --device=gpu --pushurl rtsp://[YOUR_SERVER_IP]:8554
注：
- rtsp推流服务基于 rtsp-simple-server, 如使用推流功能请先开启该服务.
- rtsp推流如果模型处理速度跟不上会出现很明显的卡顿现象，建议跟踪模型使用ppyoloe_s版本，即修改配置中跟踪模型mot_ppyoloe_l_36e_pipeline.zip替换为mot_ppyoloe_s_36e_pipeline.zip。
Jetson部署说明
由于Jetson平台算力相比服务器有较大差距，有如下使用建议：
- 模型选择轻量级版本，特别是跟踪模型，推荐使用
ppyoloe_s: https://bj.bcebos.com/v1/paddledet/models/pipeline/mot_ppyoloe_s_36e_pipeline.zip - 开启跟踪跳帧功能，推荐使用2或者3:
skip_frame_num: 3
使用该推荐配置，在TX2平台上可以达到较高速率，经测试属性案例达到20fps。
可以直接修改配置文件（推荐），也可以在命令行中修改（字段较长，不推荐）。
参数说明
| 参数 | 是否必须 | 含义 |
|---|---|---|
| --config | Yes | 配置文件路径 |
| -o | Option | 覆盖配置文件中对应的配置 |
| --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，或者rtsp流地址（推荐使用rtsp参数） |
| --rtsp | Option | rtsp视频流地址，支持一路或者多路同时输入 |
| --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 |
| --device | Option | 运行时的设备，可选择CPU/GPU/XPU，默认为CPU |
| --pushurl | Option | 对预测结果视频进行推流的地址，以rtsp://开头，该选项优先级高于视频结果本地存储，打开时不再另外存储本地预测结果视频 |
| --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 |
| --region_type | Option | 'horizontal'（默认值）、'vertical'：表示流量统计方向选择；'custom'：表示设置闯入区域 |
| --region_polygon | Option | 设置闯入区域多边形多点的坐标，无默认值 |
| --do_break_in_counting | Option | 此项表示做区域闯入检查 |
方案介绍
PP-Human v2整体方案如下图所示:
![[paddlepaddle][转载][官方教程]PP-Human快速开始_第1张图片](http://img.e-com-net.com/image/info8/5bf6c78e4fcb4999bd90e7403954831f.jpg)
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
行人跟踪
- 采用SDE方案完成行人跟踪
- 检测模型使用PP-YOLOE L(高精度)和S(轻量级)
- 跟踪模块采用OC-SORT方案
- 详细文档参考OC-SORT和检测跟踪文档
跨镜行人跟踪
- 使用PP-YOLOE + OC-SORT得到单镜头多目标跟踪轨迹
- 使用ReID（StrongBaseline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
属性识别
- 使用PP-YOLOE + OC-SORT跟踪人体
- 使用PP-HGNet、PP-LCNet（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
行为识别：
- 提供四种行为识别方案
-
- 基于骨骼点的行为识别，例如摔倒识别
-
- 基于图像分类的行为识别，例如打电话识别
-
- 基于检测的行为识别，例如吸烟识别
-
- 基于视频分类的行为识别，例如打架识别
- 详细文档参考行为识别
官方教程出自：PaddleDetection/PPHuman_QUICK_STARTED.md at release/2.5 · PaddlePaddle/PaddleDetection · GitHub