PP-Human人类属性运行环境搭建

PP-Human人类属性运行环境搭建

功能介绍

PP-Human提供了目标检测、属性识别、行为识别、ReID预训练模型，以实现不同使用场景，用户可以直接下载使用.Paddle humank可以实现实现PersonReID、客流等功能

github上相关详细文档

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	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6.0ms	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

运行环境搭建

下载docker

然后pull镜像文件。cuda版本向下兼容

docker pull paddlepaddle/paddle:2.4.1-gpu-cuda10.2-cudnn7.6-trt7.0

创建docker

然后根据下载的镜像文件创建docker容器。

docker  run --runtime nvidia \
    -p 9292:9292 \
    --name test \
    -shm-size=252G \
    --network=host \
    -v $PWD:/home/PaddleDetection \
    -dit paddlepaddle/paddle:2.4.1-gpu-cuda10.2-cudnn7.6-trt7.0 /bin/bash

-v $PWD:/home/PaddleDetection :挂载工程目录

验证docker

然后用docker ps看一下当前运行的docker容器

docker ps     #查看当前运行的docker容器。
docker ps -a  #查看所有存在的docker容器。

结果如下：

CONTAINER ID   IMAGE                                           COMMAND       CREATED             STATUS             PORTS     NAMES
489e9f56374b        paddlepaddle/paddle:2.4.1-gpu-cuda10.2-cudnn7.6-trt7.0                     "/bin/bash"              41 hours ago        Up 41 hours                 22/tcp, 0.0.0.0:9292->9292/tcp      test

进入docker

然后进入docker环境：

docker exec -it test /bin/bash

工程部署

克隆PaddleDetection仓库

cd /home/test
git clone https://github.com/PaddlePaddle/PaddleDetection.git
cd PaddleDetection
git checkout release/2.5

安装其他依赖

cd PaddleDetection
pip install -r requirements.txt -i https://pypi.douban.com/simple

预测部署

视频资源:https://motchallenge.net/

参数说明

–video_file	Option
–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）
–device	Option	运行时的设备，可选择CPU/GPU/XPU，默认为CPU
–rtsp	Option	rtsp视频流地址，支持一路或者多路同时输入
–run_mode	Option	使用GPU时，默认为paddle, 可选（paddle/trt_fp32/trt_fp16/trt_int8）
–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

图片检测

行人检测，指定配置文件路径和测试图片，图片输入默认打开检测模型

python deploy/pipeline/pipeline.py --config deploy/pipeline/config/infer_cfg_pphuman.yml --image_file=demo/000000014439_640x640.jpg --device=gpu

视频检测

• 行人属性识别，直接使用examples中配置

python deploy/pipeline/pipeline.py --config deploy/pipeline/config/examples/infer_cfg_human_attr.yml --video_file=demo/videos/MOT16-02-raw.mp4 --device=gpu

• 行人跟踪，指定配置文件路径，模型路径和测试视频, 命令行中指定的模型路径优先级高于配置文件

python deploy/pipeline/pipeline.py --config deploy/pipeline/config/infer_cfg_pphuman.yml -o MOT.enable=True REID.enable=True --video_file=demo/videos/MOT16-02-raw.mp4 --device=gpu

命令行中指定的模型路径优先级高于配置文件

• 行为识别，以摔倒识别为例，命令行中开启SKELETON_ACTION模型

python deploy/pipeline/pipeline.py --config deploy/pipeline/config/infer_cfg_pphuman.yml -o SKELETON_ACTION.enbale=True --video_file=demo/videos/MOT16-02-raw.mp4 --device=gpu

视频流检测

• 行人属性识别，单路视频流

python deploy/pipeline/pipeline.py --config deploy/pipeline/config/infer_cfg_pphuman.yml -o visual=False --rtsp rtsp://[YOUR_RTSP_SITE]  --device=gpu

• 行人属性识别，多路视频流

python deploy/pipeline/pipeline.py --config deploy/pipeline/config/infer_cfg_pphuman.yml -o visual=False --rtsp rtsp://[YOUR_RTSP_SITE1]  rtsp://[YOUR_RTSP_SITE2] --device=gpu

tensorrt加速

使用tensorrt对服务进行加速

mode of running(paddle/trt_fp32/trt_fp16/trt_int8)

• run_mode = paddle

python deploy/pipeline/pipeline.py --config deploy/pipeline/config/infer_cfg_pphuman.yml --video_dir=demo/videos --device=gpu --run_mode paddle 

• run_mode = trt_fp32

python deploy/pipeline/pipeline.py --config deploy/pipeline/config/infer_cfg_pphuman.yml --video_dir=demo/videos --device=gpu --run_mode trt_fp32 

• run_mode = trt_fp16

python deploy/pipeline/pipeline.py --config deploy/pipeline/config/infer_cfg_pphuman.yml --video_dir=demo/videos --device=gpu --run_mode trt_fp16

• run_mode = trt_int8,需要对模型进行量化

python deploy/pipeline/pipeline.py --config deploy/pipeline/config/infer_cfg_pphuman.yml --video_dir=demo/videos --device=gpu --run_mode trt_int8