源码:

www.hedaoapp.com/goods/goods…

【应用介绍】 车辆检测与盯梢在交通监控、自动驾驶等方向都具有广泛应用，PP-Vehicle中集成了检测盯梢模块，是车牌检测、车辆特点识别等使命的根底。咱们提供了预训练模型，用户能够直接下载运用。

【模型下载】

1. 检测/盯梢模型精度为PPVehicle数据集训练得到，整合了BDD100K-MOT和UA-DETRAC，是将BDD100K-MOT中的car, truck, bus, van和UA-DETRAC中的car, bus, van都合并为1类vehicle(1)后的数据集，检测精度mAP是PPVehicle的验证集上测得，盯梢精度MOTA是在BDD100K-MOT的验证集上测得(car, truck, bus, van合并为1类vehicle)。训练具体流程请参照[ppvehicle]
2. 猜测速度为T4 机器上运用TensorRT FP16时的速度, 速度包括数据预处理、模型猜测、后处理全流程。

运用办法

【装备项说明】

装备文件中与特点相关的参数如下：

DET:
  model_dir: output_inference/mot_ppyoloe_l_36e_ppvehicle/ # 车辆检测模型调用途径
  batch_size: 1   # 模型猜测时的batch_size巨细
MOT:
  model_dir: output_inference/mot_ppyoloe_l_36e_ppvehicle/ # 车辆盯梢模型调用途径
  tracker_config: deploy/pipeline/config/tracker_config.yml
  batch_size: 1   # 模型猜测时的batch_size巨细, 盯梢使命只能设置为1
  skip_frame_num: -1  # 跳帧猜测的帧数，-1表明不进行跳帧，主张跳帧帧数最大不超越3
  enable: False   # 是否开启该功用，运用盯梢前有必要确保设置为True

【运用指令】

1. 从上表链接中下载模型并解压到./output_inference途径下，并修正装备文件中模型途径。默以为自动下载模型，无需做改动。
2. 图片输入时，是纯检测使命，发动指令如下

python deploy/pipeline/pipeline.py --config deploy/pipeline/config/infer_cfg_ppvehicle.yml \
                                                   --image_file=test_image.jpg \
                                                   --device=gpu

3. 视频输入时，是盯梢使命，留意首要设置infer_cfg_ppvehicle.yml中的MOT装备的enable=True，假如希望跳帧加快检测盯梢流程，能够设置skip_frame_num: 2，主张跳帧帧数最大不超越3：

MOT:
  model_dir: https://bj.bcebos.com/v1/paddledet/models/pipeline/mot_ppyoloe_l_36e_ppvehicle.zip
  tracker_config: deploy/pipeline/config/tracker_config.yml
  batch_size: 1
  skip_frame_num: 2
  enable: True

python deploy/pipeline/pipeline.py --config deploy/pipeline/config/infer_cfg_ppvehicle.yml \
                                                   --video_file=test_video.mp4 \
                                                   --device=gpu

4. 若修正模型途径，有以下两种方式：

   • 办法一：./deploy/pipeline/config/infer_cfg_ppvehicle.yml下能够装备不同模型途径，检测和盯梢模型别离对应DET和MOT字段，修正对应字段下的途径为实践期望的途径即可。
   • 办法二：指令行中–config装备项后面增加-o MOT.model_dir=[YOUR_DETMODEL_PATH]修正模型途径。

python deploy/pipeline/pipeline.py --config deploy/pipeline/config/infer_cfg_ppvehicle.yml \
                                                   --video_file=test_video.mp4 \
                                                   --device=gpu \
                                                   --region_type=horizontal \
                                                   --do_entrance_counting \
                                                   --draw_center_traj \
                                                   -o MOT.model_dir=ppyoloe/

留意:

• --do_entrance_counting表明是否计算收支口流量，不设置即默以为False。
• --draw_center_traj表明是否制作盯梢轨迹，不设置即默以为False。留意制作盯梢轨迹的测验视频最好是停止摄像头拍照的。
• --region_type表明流量计数的区域，当设置--do_entrance_counting时可选择horizontal或许vertical，默认是horizontal，表明以视频图片的中心水平线为收支口，同一物体框的中心点在相邻两秒内别离在区域中心水平线的两侧，即完结计数加一。

5. 区域闯入判别和计数

留意首要设置infer_cfg_ppvehicle.yml中的MOT装备的enable=True，然后发动指令如下

python deploy/pipeline/pipeline.py --config deploy/pipeline/config/infer_cfg_ppvehicle.yml \
                                                   --video_file=test_video.mp4 \
                                                   --device=gpu \
                                                   --draw_center_traj \
                                                   --do_break_in_counting \
                                                   --region_type=custom \
                                                   --region_polygon 200 200 400 200 300 400 100 400

留意:

• 区域闯入的测验视频有必要是停止摄像头拍照的，镜头不能颤动或移动。
• --do_break_in_counting表明是否进行区域收支后计数，不设置即默以为False。
• --region_type表明流量计数的区域，当设置--do_break_in_counting时仅可选择custom，默认是custom，表明以用户自定义区域为收支口，同一物体框的下边界中点坐标在相邻两秒内从区域外到区域内，即完结计数加一。
• --region_polygon表明用户自定义区域的多边形的点坐标序列，每两个为一对点坐标(x,y)，按顺时针次序连成一个关闭区域，至少需求3对点也即6个整数，默认值是[]，需求用户自行设置点坐标，如是四边形区域，坐标次序是左上、右上、右下、左下。用户能够运转)获取所测视频的分辨率帧数，以及能够自定义画出自己想要的多边形区域的可视化并自己调整。 自定义多边形区域的可视化代码运转如下：

python get_video_info.py --video_file=demo.mp4 --region_polygon 200 200 400 200 300 400 100 400

快速画出想要的区域的小技巧：先恣意取点得到图片，用画图工具翻开，鼠标放到想要的区域点上会显示出坐标，记录下来并取整，作为这段可视化代码的region_polygon参数，并再次运转可视化，微调点坐标参数直至满意。