Skip to content

Latest commit

 

History

History
111 lines (90 loc) · 6.28 KB

pphuman_attribute.md

File metadata and controls

111 lines (90 loc) · 6.28 KB
Raw

English | 简体中文

PP-Human属性识别模块

行人属性识别在智慧社区，工业巡检，交通监控等方向都具有广泛应用，PP-Human中集成了属性识别模块，属性包含性别、年龄、帽子、眼镜、上衣下衣款式等。我们提供了预训练模型，用户可以直接下载使用。

任务 算法 精度 预测速度(ms) 下载链接
行人检测/跟踪 PP-YOLOE mAP: 56.3
MOTA: 72.0		 检测: 16.2ms
跟踪：22.3ms		 下载链接
行人属性高精度模型 PP-HGNet_small mA: 95.4 单人 1.54ms 下载链接
行人属性轻量级模型 PP-LCNet_x1_0 mA: 94.5 单人 0.54ms 下载链接
行人属性精度与速度均衡模型 PP-HGNet_tiny mA: 95.2 单人 1.14ms 下载链接
  1. 检测/跟踪模型精度为MOT17，CrowdHuman，HIEVE和部分业务数据融合训练测试得到。
  2. 行人属性分析精度为PA100k，RAPv2，PETA和部分业务数据融合训练测试得到
  3. 预测速度为V100 机器上使用TensorRT FP16时的速度, 该处测速速度为模型预测速度
  4. 属性模型应用依赖跟踪模型结果，请在跟踪模型页面下载跟踪模型，依自身需求选择高精或轻量级下载。
  5. 模型下载后解压放置在PaddleDetection/output_inference/目录下。

使用方法

  1. 从上表链接中下载模型并解压到PaddleDetection/output_inference路径下，并修改配置文件中模型路径，也可默认自动下载模型。设置deploy/pipeline/config/infer_cfg_pphuman.yml中ATTR的enable: True

infer_cfg_pphuman.yml中配置项说明：

ATTR:                                                                     #模块名称
  model_dir: output_inference/PPLCNet_x1_0_person_attribute_945_infer/    #模型路径
  batch_size: 8                                                           #推理最大batchsize
  enable: False                                                           #功能是否开启
  1. 图片输入时，启动命令如下(更多命令参数说明，请参考快速开始-参数说明)。
#单张图片
python deploy/pipeline/pipeline.py --config deploy/pipeline/config/infer_cfg_pphuman.yml \
                                                   --image_file=test_image.jpg \
                                                   --device=gpu \

#图片文件夹
python deploy/pipeline/pipeline.py --config deploy/pipeline/config/infer_cfg_pphuman.yml \
                                                   --image_dir=images/ \
                                                   --device=gpu \
  1. 视频输入时，启动命令如下
#单个视频文件
python deploy/pipeline/pipeline.py --config deploy/pipeline/config/infer_cfg_pphuman.yml \
                                                   --video_file=test_video.mp4 \
                                                   --device=gpu \

#视频文件夹
python deploy/pipeline/pipeline.py --config deploy/pipeline/config/infer_cfg_pphuman.yml \
                                                   --video_dir=test_videos/ \
                                                   --device=gpu \

  1. 若修改模型路径，有以下两种方式：

    • 方法一：./deploy/pipeline/config/infer_cfg_pphuman.yml下可以配置不同模型路径，属性识别模型修改ATTR字段下配置
    • 方法二：命令行中--config后面紧跟着增加-o ATTR.model_dir修改模型路径：
python deploy/pipeline/pipeline.py --config deploy/pipeline/config/infer_cfg_pphuman.yml
                                                   -o ATTR.model_dir=output_inference/PPLCNet_x1_0_person_attribute_945_infer/\
                                                   --video_file=test_video.mp4 \
                                                   --device=gpu

测试效果如下：

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

方案说明

  1. 目标检测/多目标跟踪获取图片/视频输入中的行人检测框，模型方案为PP-YOLOE，详细文档参考PP-YOLOE
  2. 通过行人检测框的坐标在输入图像中截取每个行人
  3. 使用属性识别分析每个行人对应属性，属性类型与PA100k数据集相同，具体属性列表如下：
- 性别：男、女
- 年龄：小于18、18-60、大于60
- 朝向：朝前、朝后、侧面
- 配饰：眼镜、帽子、无
- 正面持物：是、否
- 包：双肩包、单肩包、手提包
- 上衣风格：带条纹、带logo、带格子、拼接风格
- 下装风格：带条纹、带图案
- 短袖上衣：是、否
- 长袖上衣：是、否
- 长外套：是、否
- 长裤：是、否
- 短裤：是、否
- 短裙&裙子：是、否
- 穿靴：是、否
  1. 属性识别模型方案为StrongBaseline，模型结构更改为基于PP-HGNet、PP-LCNet的多分类网络结构，引入Weighted BCE loss提升模型效果。

参考文献

@article{jia2020rethinking,
  title={Rethinking of pedestrian attribute recognition: Realistic datasets with efficient method},
  author={Jia, Jian and Huang, Houjing and Yang, Wenjie and Chen, Xiaotang and Huang, Kaiqi},
  journal={arXiv preprint arXiv:2005.11909},
  year={2020}
}