【PaddleDetection2.0专项】快速实现行人检测

本文介绍如何用PaddleDetection2.0快速实现行人检测。先说明其提供多种检测模型，行人检测可用YOLOv3，精度51.8，适用于智能监控。接着讲操作步骤，包括克隆仓库、安装依赖，还介绍了模型结构、训练参数配置（改类别数和数据集路径）、精度指标及预测方法与示例。

【PaddleDetection2.0专项】快速实现行人检测

PaddleDetection2.0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。

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。

克隆PaddleDetection仓库

# gitee 国内下载比较快!git clone https://gitee.com/paddlepaddle/PaddleDetection.git -b release/2.0  # github# !git clone https://github.com/PaddlePaddle/PaddleDetection.git -b release/2.0

%cd ~/PaddleDetection!pip install -r requirements.txt

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_darknet53_270e_coco.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：

具体如下所示：

num_classes: 1TrainDataset:  !COCODataSet    dataset_dir: dataset/pedestrian    anno_path: annotations/instances_train2017.json    image_dir: train2017    data_fields: ['image', 'gt_bbox', 'gt_class', 'is_crowd']EvalDataset:  !COCODataSet    dataset_dir: dataset/pedestrian    anno_path: annotations/instances_val2017.json    image_dir: val2017TestDataset:  !ImageFolder    anno_path: configs/pedestrian/pedestrian.json

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=0python -u tools/infer.py -c configs/pedestrian/pedestrian_yolov3_darknet.yml \                         -o weights=https://paddledet.bj.bcebos.com/models/pedestrian_yolov3_darknet.pdparams \                         --infer_dir configs/pedestrian/demo \                         --draw_threshold 0.3 \                         --output_dir configs/pedestrian/demo/output

%cd ~/PaddleDetection/!export CUDA_VISIBLE_DEVICES=0!python -u tools/infer.py -c configs/pedestrian/pedestrian_yolov3_darknet.yml \                         -o weights=https://paddledet.bj.bcebos.com/models/pedestrian_yolov3_darknet.pdparams \                         --infer_dir configs/pedestrian/demo \                         --draw_threshold 0.3 \                         --output_dir configs/pedestrian/demo/output

预测结果示例：

import matplotlib.image as mpimgimport matplotlib.pyplot as pltimport ospath = '/home/aistudio/PaddleDetection/configs/pedestrian/demo/output'imgs = os.listdir(path)plt.figure(figsize=(160, 40))for i in range(len(imgs)):    img_path = os.path.join(path, imgs[i])    img = mpimg.imread(img_path)    plt.subplot(4, 1, i+1)    plt.imshow(img)plt.show()