Skip to content

Latest commit

 

History

History
 
 

pphuman

README.md

简体中文 | English

PP-YOLOE Human 检测模型

PaddleDetection团队提供了针对行人的基于PP-YOLOE的检测模型，用户可以下载模型进行使用。PP-Human中使用模型为业务数据集模型，我们同时提供CrowdHuman训练配置，可以使用开源数据进行训练。 其中整理后的COCO格式的CrowdHuman数据集下载链接，检测类别仅一类 pedestrian(1)，原始数据集下载链接。

模型 数据集 mAPval
0.5:0.95		 mAPval
0.5		 下载 配置文件
PP-YOLOE-s CrowdHuman 42.5 77.9 下载链接 配置文件
PP-YOLOE-l CrowdHuman 48.0 81.9 下载链接 配置文件
PP-YOLOE-s 业务数据集 53.2 - 下载链接 配置文件
PP-YOLOE-l 业务数据集 57.8 - 下载链接 配置文件

注意:

  • PP-YOLOE模型训练过程中使用8 GPUs进行混合精度训练，如果GPU卡数或者batch size发生了改变，你需要按照公式 lrnew = lrdefault * (batch_sizenew * GPU_numbernew) / (batch_sizedefault * GPU_numberdefault) 调整学习率。
  • 具体使用教程请参考ppyoloe。

YOLOv3 Human 检测模型

请参考Human_YOLOv3页面

PP-YOLOE 香烟检测模型

基于PP-YOLOE模型的香烟检测模型，是实现PP-Human中的基于检测的行为识别方案的一环，如何在PP-Human中使用该模型进行吸烟行为识别，可参考PP-Human行为识别模块。该模型检测类别仅包含香烟一类。由于数据来源限制，目前暂无法直接公开训练数据。该模型使用了小目标数据集VisDrone上的权重(参照visdrone)作为预训练模型，以提升检测效果。

模型 数据集 mAPval
0.5:0.95		 mAPval
0.5		 下载 配置文件
PP-YOLOE-s 香烟业务数据集 39.7 79.5 下载链接 配置文件

PP-HGNet 打电话识别模型

基于PP-HGNet模型实现了打电话行为识别，详细可参考PP-Human行为识别模块。该模型基于PaddleClas套件进行训练。此处提供预测模型下载：

模型 数据集 Acc 下载 配置文件
PP-HGNet 业务数据集 86.85 下载链接 -

HRNet 人体关键点模型

人体关键点模型与ST-GCN模型一起完成基于骨骼点的行为识别方案。关键点模型采用HRNet模型，关于关键点模型相关详细资料可以查看关键点专栏页面KeyPoint。此处提供训练模型下载链接。

模型 数据集 APval
0.5:0.95		 下载 配置文件
HRNet 业务数据集 87.1 下载链接 配置文件

ST-GCN 骨骼点行为识别模型

人体关键点模型与ST-GCN模型一起完成基于骨骼点的行为识别方案。 ST-GCN模型基于PaddleVideo完成训练。 此处提供预测模型下载链接。

模型 数据集 APval
0.5:0.95		 下载 配置文件
ST-GCN 业务数据集 87.1 下载链接 配置文件

PP-TSM 视频分类模型

基于PP-TSM模型完成了基于视频分类的行为识别方案。 PP-TSM模型基于PaddleVideo完成训练。 此处提供预测模型下载链接。

模型 数据集 Acc 下载 配置文件
PP-TSM 组合开源数据集 89.06 下载链接 配置文件

PP-HGNet、PP-LCNet 属性识别模型

基于PP-HGNet、PP-LCNet 模型实现了行人属性识别，详细可参考PP-Human行为识别模块。该模型基于PaddleClas套件进行训练。此处提供预测模型下载链接.

模型 数据集 mA 下载 配置文件
PP-HGNet_small 业务数据集 95.4 下载链接 -
PP-LCNet 业务数据集 94.5 下载链接 配置文件

引用

@article{shao2018crowdhuman,
    title={CrowdHuman: A Benchmark for Detecting Human in a Crowd},
    author={Shao, Shuai and Zhao, Zijian and Li, Boxun and Xiao, Tete and Yu, Gang and Zhang, Xiangyu and Sun, Jian},
    journal={arXiv preprint arXiv:1805.00123},
    year={2018}
  }