源码:

www.hedaoapp.com/goods/goods…

【应用介绍】 车辆检测与跟踪在交通监控、自动驾驶等方向都具有广泛应用，PP-Vehicle中集成了检测跟踪模块，是车牌检测、车辆属性识别等任务的基础。我们提供了预训练模型，用户可以直接下载使用。

【模型下载】

1. 检测/跟踪模型精度为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，跟踪精度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. 预测速度为T4 机器上使用TensorRT FP16时的速度, 速度包含数据预处理、模型预测、后处理全流程。

使用方法

【配置项说明】

配置文件中与属性相关的参数如下：

DET:
  model_dir: output_inference/mot_ppyoloe_l_36e_ppvehicle/ # 车辆检测模型调用路径
  batch_size: 1   # 模型预测时的batch_size大小

MOT:
  model_dir: output_inference/mot_ppyoloe_l_36e_ppvehicle/ # 车辆跟踪模型调用路径
  tracker_config: deploy/pipeline/config/tracker_config.yml
  batch_size: 1   # 模型预测时的batch_size大小, 跟踪任务只能设置为1
  skip_frame_num: -1  # 跳帧预测的帧数，-1表示不进行跳帧，建议跳帧帧数最大不超过3
  enable: False   # 是否开启该功能，使用跟踪前必须确保设置为True

【使用命令】

1. 从上表链接中下载模型并解压到./output_inference路径下，并修改配置文件中模型路径。默认为自动下载模型，无需做改动。
2. 图片输入时，是纯检测任务，启动命令如下

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，是跟踪任务，注意首先设置infer_cfg_ppvehicle.yml中的MOT配置的enable=True，如果希望跳帧加速检测跟踪流程，可以设置skip_frame_num: 2，建议跳帧帧数最大不超过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. 若修改模型路径，有以下两种方式：

   • 方法一：./deploy/pipeline/config/infer_cfg_ppvehicle.yml下可以配置不同模型路径，检测和跟踪模型分别对应DET和MOT字段，修改对应字段下的路径为实际期望的路径即可。
   • 方法二：命令行中–config配置项后面增加-o MOT.model_dir=[YOUR_DETMODEL_PATH]修改模型路径。

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/

注意:

• --do_entrance_counting表示是否统计出入口流量，不设置即默认为False。
• --draw_center_traj表示是否绘制跟踪轨迹，不设置即默认为False。注意绘制跟踪轨迹的测试视频最好是静止摄像头拍摄的。
• --region_type表示流量计数的区域，当设置--do_entrance_counting时可选择horizontal或者vertical，默认是horizontal，表示以视频图片的中心水平线为出入口，同一物体框的中心点在相邻两秒内分别在区域中心水平线的两侧，即完成计数加一。

5. 区域闯入判断和计数

注意首先设置infer_cfg_ppvehicle.yml中的MOT配置的enable=True，然后启动命令如下

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

注意:

• 区域闯入的测试视频必须是静止摄像头拍摄的，镜头不能抖动或移动。
• --do_break_in_counting表示是否进行区域出入后计数，不设置即默认为False。
• --region_type表示流量计数的区域，当设置--do_break_in_counting时仅可选择custom，默认是custom，表示以用户自定义区域为出入口，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，即完成计数加一。
• --region_polygon表示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)，按顺时针顺序连成一个封闭区域，至少需要3对点也即6个整数，默认值是[]，需要用户自行设置点坐标，如是四边形区域，坐标顺序是左上、右上、右下、左下。用户可以运行)获取所测视频的分辨率帧数，以及可以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行如下：

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：先任意取点得到图片，用画图工具打开，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，并再次运行可视化，微调点坐标参数直至满意。