PaddleDetection行人分析工具-PP-Human案例实操

本项目将带大家快速上手PP-Human，实操行人跟踪、属性分析和行为识别等行人高频场景应用，以及PP-Human多种使用方式。
光看项目不够？飞桨PaddleDetection还准备了三日课程，百度高工现场代码教学。

10月19日（周三）晚 8：30-9：30

为大家带来PP-Human的详细解读，10分钟搭建行人分析系统，课程亮点：

• 打架摔倒等5大异常行为识别技术揭秘
• 检测/跟踪/关键点等10+核心算法升级解析
• 离线/在线视频流推理部署实操
• 行人属性分析二次开发手把手教学

行人分析工具介绍

行人分析工具，是围绕人的轨迹跟踪、行为识别、属性分析等进行分析的智能工具，可以帮忙人们完成一些繁琐的固定任务的统计、分析。例如：公园、商场的人流量统计；摔倒、打架等危险行为的判断；等等这些以人为核心的分析任务。

PaddleDetection

PaddleDetection为基于飞桨PaddlePaddle的端到端目标检测套件，内置30+模型算法及300+预训练模型，覆盖目标检测、实例分割、跟踪、关键点检测等方向，其中包括服务器端和移动端高精度、轻量级产业级SOTA模型、冠军方案和学术前沿算法，并提供配置化的网络模块组件、十余种数据增强策略和损失函数等高阶优化支持和多种部署方案，在打通数据处理、模型开发、训练、压缩、部署全流程的基础上，提供丰富的案例及教程，加速算法产业落地应用。

github网址：https://github.com/PaddlePaddle/PaddleDetection

---

环境准备

1. 首先，下载PaddleDetection代码库

git clone https://github.com/PaddlePaddle/PaddleDetection.git
cd PaddleDetection

2. 安装代码库依赖包

pip install -r requirements.txt

# 下载代码库并安装依赖软件包
%cd work
!git clone https://gitee.com/paddlepaddle/PaddleDetection
%cd PaddleDetection
!pip install -r requirements.txt

场景分析工具PP-Human、PP-Vehicle介绍

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。

github网址:https://github.com/PaddlePaddle/PaddleDetection/tree/release/2.5/deploy/pipeline

---

PP-Human使用操作方式解析

1. 一行命令执行功能(通用配置文件方式)：

命令格式：

python deploy/pipeline/pipeline.py --config deploy/pipeline/config/infer_cfg_pphuman.yml `-o Module.enable=True` --video_file=../video/c1.mp4 --device=gpu

该命令中-o Module.enable=True 命令开启目标功能。
其中Module模块可以是以下任意功能：

1. MOT（目标跟踪）
2. ATTR（属性分析）
3. VIDEO_ACTION（视频行为分析，案例：打架）
4. SKELETON_ACTION（骨骼行为分析，案例：摔倒）
5. ID_BASED_DETACTION（检测行为分析，案例：抽烟）
6. ID_BASED_CLSACTION（分类行为分析，案例：打电话）
7. REID（跨镜跟踪）

命令参数说明

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

请点击此处查看本环境基本用法.

Please click here for more detailed instructions.

# 案例1：使用pphuman通用配置文件infer_cfg_pphuman.yml, 通过 -o MOT.enable=True 命令开启目标跟踪功能, 使用--output_dir指定保存路径（默认为output文件夹）
!python deploy/pipeline/pipeline.py --config deploy/pipeline/config/infer_cfg_pphuman.yml -o MOT.enable=True --video_file=../video/c1.mp4 --device=gpu --output_dir=output/mot

# 案例2：使用pphuman通用配置文件infer_cfg_pphuman.yml, 通过 -o ATTR.enable=True 命令开启行人属性分析功能
!python deploy/pipeline/pipeline.py --config deploy/pipeline/config/infer_cfg_pphuman.yml -o ATTR.enable=True --video_file=../video/c1.mp4 --device=gpu --output_dir=output/attr

# 案例3：更换使用的模型，指定使用PP-YOLOE-s版本小模型
!python deploy/pipeline/pipeline.py --config deploy/pipeline/config/infer_cfg_pphuman.yml -o MOT.enable=True MOT.model_dir=https://bj.bcebos.com/v1/paddledet/models/pipeline/mot_ppyoloe_s_36e_pipeline.zip --video_file=../video/c1.mp4 --device=gpu --output_dir=output/mot_s

2. 使用examples配置文件，快速执行功能

命令格式：

python deploy/pipeline/pipeline.py --config deploy/pipeline/config/examples/`config.yml` --video_file=`input.mp4` --device=gpu

只需修改两个选项：

1. config.yml: 选择目标功能配置文件，根据旋转的配置文件开启相应功能
2. input.mp4: 选择分析目标视频文件

# 案例1：使用examples配置文件对c1.mp4视频进行行人目标跟踪分析
!python deploy/pipeline/pipeline.py --config deploy/pipeline/config/examples/infer_cfg_human_mot.yml --video_file=../video/c1.mp4 --device=gpu --output_dir=output/mot

# 案例2：使用examples配置文件对c1.mp4视频进行行人属性分析
!python deploy/pipeline/pipeline.py --config deploy/pipeline/config/examples/infer_cfg_human_attr.yml --video_file=../video/c1.mp4 --device=gpu --output_dir=output/attr

# 案例3：使用examples配置文件对c1.mp4视频进行人员打电话识别分析
!python deploy/pipeline/pipeline.py --config deploy/pipeline/config/examples/infer_cfg_calling.yml --video_file=../video/c1.mp4 --device=gpu --output_dir=output/calling

3. 视频文件夹并行分析

命令格式：

python deploy/pipeline/pipeline.py --config deploy/pipeline/config/examples/config.yml `--video_dir`=video_dir --device=gpu

其中--video_dir表示视频文件夹路径

# 视频文件夹分析案例
!python deploy/pipeline/pipeline.py --config deploy/pipeline/config/examples/infer_cfg_human_attr.yml --video_dir=../video/ --device=gpu

4. 图片输入方式分析

1. 单张图片分析
   命令格式：

python deploy/pipeline/pipeline.py --config deploy/pipeline/config/examples/config.yml --`image_file`=demo/hrnet_demo.jpg --device=gpu

其中--image_file表述输入图片路径

2. 图片文件夹分析
   命令格式：

python deploy/pipeline/pipeline.py --config deploy/pipeline/config/examples/config.yml `--image_dir`=video_dir --device=gpu

其中--image_dir表示图片文件夹路径

#案例：单张图片输入分析
!python deploy/pipeline/pipeline.py --config deploy/pipeline/config/examples/infer_cfg_human_attr.yml --image_file=demo/hrnet_demo.jpg --device=gpu

5.RTSP视频流推、拉流使用

1. 拉流命令格式：

python deploy/pipeline/pipeline.py --config deploy/pipeline/config/examples/config.yml `--rtsp=[YOUR_RTSP_SITE]` --device=gpu

其中--rtsp=[YOUR_RTSP_SITE]设置rtsp拉流地址

2. 推流命令格式

python deploy/pipeline/pipeline.py --config deploy/pipeline/config/examples/config.yml --video_file=input.mp4  `--pushurl=rtsp://127.0.0.1:8554` --device=gpu

其中--pushurl=[YOUR_RTSP_SERVER_IP]设置rtsp推流地址

注意：

1. 使用RTSP推拉流功能时请确保网络地址可以访问，否则不能正确运行
2. 受限于Aistudio环境中ffmpeg版本，推流功能无法在Aistudio环境中执行，请下载到本地环境执行。
3. rtsp推流服务基于 rtsp-simple-server，使用请提前开启，详情及下载地址请参考PP-Human使用文档

#案例：rtsp拉流分析
#!python deploy/pipeline/pipeline.py --config deploy/pipeline/config/examples/infer_cfg_human_mot.yml --rtsp=rtsp://[YOUR_RTSP_SITE] --device=gpu

#案例：rtsp推流分析
#!python deploy/pipeline/pipeline.py --config deploy/pipeline/config/examples/infer_cfg_human_mot.yml --device=gpu --video_file=../video/c1.mp4  --pushurl rtsp://127.0.0.1:8554

飞桨PaddleDetection准备的三日课程由百度研发工程师们详细讲解PP-Human细节，大家千万不要错过！

此文章为搬运
原项目链接