Are you sure you want to delete this task? Once this task is deleted, it cannot be recovered.
wangguanzhong e1e1a9380c | 1 year ago | |
---|---|---|
.. | ||
config | 1 year ago | |
docs | 1 year ago | |
pphuman | 1 year ago | |
ppvehicle | 1 year ago | |
tools | 1 year ago | |
README.md | 1 year ago | |
README_en.md | 1 year ago | |
__init__.py | 1 year ago | |
cfg_utils.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 |
简体中文 | English
PaddleDetection深入探索核心行业的高频场景,提供了行人、车辆场景的开箱即用分析工具,支持图片/单镜头视频/多镜头视频/在线视频流多种输入方式,广泛应用于智慧交通、智慧城市、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支持四大产业级功能:五大异常行为识别、26种人体属性分析、实时人流计数、跨镜头(ReID)跟踪。
🚗🚙 PP-Vehicle囊括四大交通场景核心功能:车牌识别、属性识别、车流量统计、违章检测。
⭐ 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、在线视频流输入 高性能:融合开源数据集与企业真实数据进行训练,实现mAP 95.4、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 |
⭐ 功能 | 💟 方案优势 | 💡示例图 |
---|---|---|
车牌识别 | 支持传统车牌和新能源绿色车牌 车牌识别采用长间隔采样识别与多次结果统计投票方式,算力消耗少,识别精度高,结果稳定性好。 检测模型 hmean: 0.979; 识别模型 acc: 0.773 |
|
车辆属性分析 | 支持多种车型、颜色类别识别 使用更强力的Backbone模型PP-HGNet、PP-LCNet,精度高、速度快。识别精度: 90.81 |
|
违章检测 | 简单易用:一行命令即可实现违停检测,自定义设置区域 检测、跟踪效果好,可实现违停车辆车牌识别 |
|
车流量计数 | 简单易用:一行命令即可开启功能,自定义出入位置 可提供目标跟踪轨迹显示,统计准确度高 |
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 | 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
任务 | 端到端速度(ms) | 模型方案 | 模型体积 |
---|---|---|---|
车辆检测(高精度) | 25.7ms | 多目标跟踪 | 182M |
车辆检测(轻量级) | 13.2ms | 多目标跟踪 | 27M |
车辆跟踪(高精度) | 40ms | 多目标跟踪 | 182M |
车辆跟踪(轻量级) | 25ms | 多目标跟踪 | 27M |
车牌识别 | 4.68ms | 车牌检测 车牌字符识别 |
车牌检测:3.9M 车牌字符识别: 12M |
车辆属性 | 7.31ms | 车辆属性 | 7.2M |
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
PaddleDetection是一个基于PaddlePaddle的目标检测端到端开发套件,在提供丰富的模型组件和测试基准的同时,注重端到端的产业落地应用,通过打造产业级特色模型|工具、建设产业应用范例等手段,帮助开发者实现数据准备、模型选型、模型训练、模型部署的全流程打通,快速进行落地应用。
Python Markdown C++ Text Shell other
Dear OpenI User
Thank you for your continuous support to the Openl Qizhi Community AI Collaboration Platform. In order to protect your usage rights and ensure network security, we updated the Openl Qizhi Community AI Collaboration Platform Usage Agreement in January 2024. The updated agreement specifies that users are prohibited from using intranet penetration tools. After you click "Agree and continue", you can continue to use our services. Thank you for your cooperation and understanding.
For more agreement content, please refer to the《Openl Qizhi Community AI Collaboration Platform Usage Agreement》