图1 人流量统计结果
场景难点
在动态场景下,容易造成重识别问题:传统的传感器或目标检测方式无法识别行人的朝向与ID,导致难以对一段时间内行人进出数量进行精准监控。模型需要对遮挡后重新出现的行人进行准确的重识别,否则对一段时间内的人流统计会有较大的影响。
大量干扰下,容易造成误识别:商场中各种人型模特和广告牌会对结果产生很大干扰。
方案设计
模型优化策略和效果
使用CutMix数据增强方式;
使用可变形卷积DCN;
使用EMA(指数移动平均)对模型的参数做平均,提高模型的鲁棒性;
使用Adam优化器和自适应学习率来加快收敛速度
加入注意力机制,让网络更加关注重点信息并忽略无关信息;
更换backbone:将baseline中的CenterNet的backbone由DLA-34更换为其他模型,如:DLA-46-C、DLA-60或DLA-102;
增加GIoU Loss。
滑动查看优化策略
模型部署
范例使用工具介绍
飞桨目标检测开发套件PaddleDetection中提供丰富的检测算法,无论你追求的是高精度、轻量化,还是场景预训练模型,能以业界超高标准满足你的需求。同时还在目标检测的基础上,持续拓展了如人体关键点、目标跟踪、人体属性分析、行为识别等高阶任务功能,并且提供统一的使用方式及部署策略,让你不再需要进行模型转化、接口调整,更贴合工业大生产标准化、模块化的需求。
飞桨产业实践范例
助力企业跨越AI落地鸿沟
真实产业场景:与实际具有AI应用的企业合作共建,选取企业高频需求的AI应用场景如智慧城市-安全帽检测、智能制造-表计读数等;
完整代码实现:提供可一键运行的代码,在“AI Studio一站式开发平台”上使用免费算力一键Notebook运行;
详细过程解析:深度解析从数据准备和处理、模型选择、模型优化和部署的AI落地全流程,共享可复用的模型调参和优化经验;
直达项目落地:百度高工手把手教用户进行全流程代码实践,轻松直达项目POC阶段。
精彩课程预告
为了让小伙伴们更便捷地应用人流量统计范例教程,百度高级研发工程师于5月11日(周三)19:00点为大家深度解析从数据准备、方案设计到模型优化部署的开发全流程,手把手教大家进行代码实践。