forked from PulseFocusPlatform/PulseFocusPlatform
106 lines
4.1 KiB
Markdown
106 lines
4.1 KiB
Markdown
[English](CONTRIB.md) | 简体中文
|
||
# 特色垂类检测模型
|
||
|
||
我们提供了针对不同场景的基于PaddlePaddle的检测模型，用户可以下载模型进行使用。
|
||
|
||
| 任务 | 算法 | 精度(Box AP) | 下载 | 配置文件 |
|
||
|:---------------------|:---------:|:------:| :---------------------------------------------------------------------------------: | :------:|
|
||
| 车辆检测 | YOLOv3 | 54.5 | [下载链接](https://paddlemodels.bj.bcebos.com/object_detection/vehicle_yolov3_darknet.tar) | [配置文件](https://github.com/PaddlePaddle/PaddleDetection/tree/release/2.1/static/contrib/VehicleDetection/vehicle_yolov3_darknet.yml) |
|
||
| 行人检测 | YOLOv3 | 51.8 | [下载链接](https://paddlemodels.bj.bcebos.com/object_detection/pedestrian_yolov3_darknet.tar) | [配置文件](https://github.com/PaddlePaddle/PaddleDetection/tree/release/2.1/static/contrib/PedestrianDetection/pedestrian_yolov3_darknet.yml) |
|
||
|
||
|
||
## 车辆检测（Vehicle Detection）
|
||
|
||
车辆检测的主要应用之一是交通监控。在这样的监控场景中，待检测的车辆多为道路红绿灯柱上的摄像头拍摄所得。
|
||
|
||
### 1. 模型结构
|
||
|
||
Backbone为Dacknet53的YOLOv3。
|
||
|
||
### 2. 训练参数配置
|
||
|
||
PaddleDetection提供了使用COCO数据集对YOLOv3进行训练的参数配置文件[yolov3_darnet.yml](https://github.com/PaddlePaddle/PaddleDetection/blob/release/2.1/static/configs/yolov3_darknet.yml)，与之相比，在进行车辆检测的模型训练时，我们对以下参数进行了修改：
|
||
|
||
* max_iters: 120000
|
||
* num_classes: 6
|
||
* anchors: [[8, 9], [10, 23], [19, 15], [23, 33], [40, 25], [54, 50], [101, 80], [139, 145], [253, 224]]
|
||
* label_smooth: false
|
||
* nms/nms_top_k: 400
|
||
* nms/score_threshold: 0.005
|
||
* milestones: [60000, 80000]
|
||
* dataset_dir: dataset/vehicle
|
||
|
||
### 3. 精度指标
|
||
|
||
模型在我们内部数据上的精度指标为：
|
||
|
||
IOU=.50:.05:.95时的AP为 0.545。
|
||
|
||
IOU=.5时的AP为 0.764。
|
||
|
||
### 4. 预测
|
||
|
||
用户可以使用我们训练好的模型进行车辆检测：
|
||
|
||
```
|
||
export CUDA_VISIBLE_DEVICES=0
|
||
python -u tools/infer.py -c contrib/VehicleDetection/vehicle_yolov3_darknet.yml \
|
||
-o weights=https://paddlemodels.bj.bcebos.com/object_detection/vehicle_yolov3_darknet.tar \
|
||
--infer_dir contrib/VehicleDetection/demo \
|
||
--draw_threshold 0.2 \
|
||
--output_dir contrib/VehicleDetection/demo/output
|
||
|
||
```
|
||
|
||
预测结果示例：
|
||
|
||
|
||
|
||
|
||
|
||
## 行人检测（Pedestrian Detection）
|
||
|
||
行人检测的主要应用有智能监控。在监控场景中，大多是从公共区域的监控摄像头视角拍摄行人，获取图像后再进行行人检测。
|
||
|
||
### 1. 模型结构
|
||
|
||
Backbone为Dacknet53的YOLOv3。
|
||
|
||
|
||
### 2. 训练参数配置
|
||
|
||
PaddleDetection提供了使用COCO数据集对YOLOv3进行训练的参数配置文件[yolov3_darknet.yml](https://github.com/PaddlePaddle/PaddleDetection/blob/release/2.1/static/configs/yolov3_darknet.yml)，与之相比，在进行行人检测的模型训练时，我们对以下参数进行了修改：
|
||
|
||
* max_iters: 200000
|
||
* num_classes: 1
|
||
* snapshot_iter: 5000
|
||
* milestones: [150000, 180000]
|
||
* dataset_dir: dataset/pedestrian
|
||
|
||
### 2. 精度指标
|
||
|
||
模型在我们针对监控场景的内部数据上精度指标为：
|
||
|
||
IOU=.5时的AP为 0.792。
|
||
|
||
IOU=.5-.95时的AP为 0.518。
|
||
|
||
### 3. 预测
|
||
|
||
用户可以使用我们训练好的模型进行行人检测：
|
||
|
||
```
|
||
export CUDA_VISIBLE_DEVICES=0
|
||
python -u tools/infer.py -c contrib/PedestrianDetection/pedestrian_yolov3_darknet.yml \
|
||
-o weights=https://paddlemodels.bj.bcebos.com/object_detection/pedestrian_yolov3_darknet.tar \
|
||
--infer_dir contrib/PedestrianDetection/demo \
|
||
--draw_threshold 0.3 \
|
||
--output_dir contrib/PedestrianDetection/demo/output
|
||
```
|
||
|
||
预测结果示例：
|
||
|
||
|
||
|
||
|