Are you sure you want to delete this task? Once this task is deleted, it cannot be recovered.
You can not select more than 25 topics
Topics must start with a chinese character,a letter or number, can include dashes ('-') and can be up to 35 characters long.
KirigiriSuzumiya
85819fac79
|
1 year ago | |
|---|---|---|
| .. | ||
| __pycache__ | 1 year ago | |
| config | 1 year ago | |
| docs | 1 year ago | |
| pphuman | 1 year ago | |
| tools | 1 year ago | |
| README.md | 1 year ago | |
| README_en.md | 1 year ago | |
| __init__.py | 1 year ago | |
| datacollector.py | 1 year ago | |
| download.py | 1 year ago | |
| pipe_utils.py | 1 year ago | |
| pipeline.py | 1 year ago | |
README.md
简体中文 | English
实时行人分析工具 PP-Human
PP-Human是基于飞桨深度学习框架的业界首个开源产业级实时行人分析工具，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、行为分析及人流量计数与轨迹记录。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。
📣 近期更新
- 🔥 2022.7.13：PP-Human v2发布，行为识别、人体属性识别、流量计数、跨镜跟踪四大产业特色功能全面升级，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
| ⭐ 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 94.86、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 |  |
🗳 模型库
单模型效果（点击展开）
| 任务 | 适用场景 | 精度 | 预测速度（ms） | 模型体积 | 预测部署模型 |
|---|---|---|---|---|---|
| 目标检测(高精度) | 图片输入 | mAP: 57.8 | 25.1ms | 182M | 下载链接 |
| 目标检测(轻量级) | 图片输入 | mAP: 53.2 | 16.2ms | 27M | 下载链接 |
| 目标跟踪(高精度) | 视频输入 | MOTA: 82.2 | 31.8ms | 182M | 下载链接 |
| 目标跟踪(轻量级) | 视频输入 | MOTA: 73.9 | 21.0ms | 27M | 下载链接 |
| 属性识别（高精度） | 图片/视频输入 属性识别 | mA: 95.4 | 单人4.2ms | 86M | 下载链接 |
| 属性识别（轻量级） | 图片/视频输入 属性识别 | mA: 94.5 | 单人2.9ms | 7.2M | 下载链接 |
| 关键点检测 | 视频输入 行为识别 | AP: 87.1 | 单人5.7ms | 101M | 下载链接 |
| 基于关键点序列分类 | 视频输入 行为识别 | 准确率: 96.43 | 单人0.07ms | 21.8M | 下载链接 |
| 基于人体id图像分类 | 视频输入 行为识别 | 准确率: 86.85 | 单人1.8ms | 45M | 下载链接 |
| 基于人体id检测 | 视频输入 行为识别 | AP50: 79.5 | 单人10.9ms | 27M | 下载链接 |
| 视频分类 | 视频输入 行为识别 | Accuracy： 89.0 | 19.7ms/1s视频 | 90M | 下载链接 |
| ReID | 视频输入 跨镜跟踪 | mAP: 98.8 | 单人0.23ms | 85M | 下载链接 |
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 |
| 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
📚 文档教程
快速开始
行人属性/特征识别
行为识别
跨镜跟踪ReID
行人跟踪、人流量计数与轨迹记录
Sports_Game_tracker是基于飞桨深度学习框架的实时行人分析工具PP-Human进行功能扩展的球赛识别追踪工具，功能不断更新扩展中
Python Markdown Text C++ other
Contributors (2)
