Skip to content

Latest commit

 

History

History
225 lines (168 loc) · 13.1 KB

PPHuman_QUICK_STARTED.md

File metadata and controls

225 lines (168 loc) · 13.1 KB
Raw

English | 简体中文

PP-Human快速开始

目录

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
  1. 详细安装文档参考文档
  2. 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

  1. 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
  1. 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
  1. 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：

  1. rtsp推流服务基于 rtsp-simple-server, 如使用推流功能请先开启该服务.
  2. 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：

  1. 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
  2. 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:

行人检测

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
    1. 基于骨骼点的行为识别，例如摔倒识别
    1. 基于图像分类的行为识别，例如打电话识别
    1. 基于检测的行为识别，例如吸烟识别
    1. 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