人工智能深度学习计算机视觉NLP语音【免费下载链接】modelsOfficially maintained, supported by PaddlePaddle, including CV, NLP, Speech, Rec, TS, big models and so on.项目地址https://gitcode.com/gh_mirrors/mo/models点击查看免费下载PP-HumanV2 是飞桨PaddlePaddle官方基于 PaddleDetection 打造的行人场景端到端分析工具覆盖行人检测、多目标跟踪、跨镜跟踪ReID、26 种人体属性识别以及摔倒、打架、抽烟、打电话、闯入等异常行为识别。本文以modelcenter/PP-HumanV2/download_cn.md为骨架完整给出各任务的预训练模型下载清单、解压部署方式、配置文件中模型路径的自动下载机制并结合仓库内 下载实现 与 推理配置 源码深入讲解模型从下载、解压到被 Pipeline 加载调用的完整链路帮助开发者快速上手 PP-HumanV2 的本地化部署。一、PP-HumanV2 模型体系总览PP-HumanV2 不是单一模型而是一套面向不同业务场景的组合式模型 Pipeline。官方为不同任务提供了目标检测、属性识别、行为识别、ReID 四类预训练模型用户可以按需组合下载使用。根据仓库中 info.yaml 的描述PP-HumanV2 定位于飞桨行人场景分析工具覆盖计算机视觉中的人体检测、关键点检测、行为识别三个子任务典型应用包括智慧安防下的摔倒检测、打架识别与进出管理。从 Pipeline 主程序 的源码结构可以看到整套系统的运行模式分为四种运行模式对应的任务开关avtivity_list说明idbasedMOT、ATTR、REID、ID_BASED_DETACTION、ID_BASED_CLSACTION先做多目标跟踪获得人体 ID再基于人体框做属性/行为分析videobasedVIDEO_ACTION基于整段视频做行为分类如打架识别skeletonbasedSKELETON_ACTION基于关键点时序做行为识别如摔倒识别framebased图片输入下的DET单帧目标检测关键点绝大多数任务都以MOT多目标跟踪模型为前置基础——属性识别、摔倒识别、抽烟识别、打电话识别、跨镜跟踪都依赖 MOT 先输出带 ID 的行人框再进入各自的专用模型。因此下载模型时mot_ppyoloe_l_36e_pipeline.zip或mot_ppyoloe_s_36e_pipeline.zip往往是最先要准备的那个包。二、全任务模型下载清单官方预训练权重下表为 PP-HumanV2 官方提供的各任务预训练模型包含端到端速度、模型方案与体积。其中端到端速度的测试环境为 T4 GPU TensorRT FP16且包含数据预处理、模型预测、后处理的全流程耗时模型精度为融合数据集开源数据集 企业数据集的结果ReID 模型精度为 Market1501 数据集测试结果。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1.5msREIDREID92M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解读这张表时要注意三点一个任务可能由多个模型接力完成例如摔倒识别 MOT跟踪 关键点检测HRNet STGCN基于关键点的行为识别抽烟识别 MOT 基于人体 ID 的局部目标检测。部署时需把方案列中的每个链接都下载。打架识别行中的链接指向 MOT 模型包但其实际模型是视频分类模型ppTSM体积为 90M——这也是为什么必须查看配置文件中VIDEO_ACTION.model_dir指向的真实地址见下文第五节。同一模型可复用mot_ppyoloe_l_36e_pipeline.zip同时承担检测、跟踪、闯入识别乃至属性识别/行为识别的前置检测下载一次即可服务多个任务。三、手动下载与解压部署官方推荐的部署方式是手动下载后统一解压到./output_inference文件夹# 以高精度多目标跟踪模型为例 wget https://bj.bcebos.com/v1/paddledet/models/pipeline/mot_ppyoloe_l_36e_pipeline.zip unzip mot_ppyoloe_l_36e_pipeline.zip -d ./output_inference # 若启用属性识别/摔倒识别等将所需模型同样解压到该目录 unzip PPLCNet_x1_0_person_attribute_945_infer.zip -d ./output_inference unzip dark_hrnet_w32_256x192.zip -d ./output_inference unzip STGCN.zip -d ./output_inference统一存放output_inference目录的好处是推理配置如infer_cfg_pphuman.yml中的model_dir可以统一改为本地相对路径例如./output_inference/mot_ppyoloe_l_36e_pipeline避免推理时重复触发联网下载。开发者也可以将每个模型分别解压到独立目录只要在配置中把model_dir指向对应的解压目录即可。四、配置文件中的模型路径与自动下载机制原文档明确指出在配置文件中模型路径默认为模型的下载路径如果用户不修改则在推理时会自动下载对应的模型。这条规则背后有完整的源码支撑。查看 PP-HumanV2 的核心推理配置 infer_cfg_pphuman.yml可以看到每个模块的model_dir默认填的就是第二节表格中的下载 URLcrop_thresh: 0.5 attr_thresh: 0.5 kpt_thresh: 0.2 visual: True warmup_frame: 50 DET: model_dir: https://bj.bcebos.com/v1/paddledet/models/pipeline/mot_ppyoloe_l_36e_pipeline.zip batch_size: 1 MOT: model_dir: https://bj.bcebos.com/v1/paddledet/models/pipeline/mot_ppyoloe_l_36e_pipeline.zip tracker_config: pipeline/config/tracker_config.yml batch_size: 1 skip_frame_num: -1 # preferably no more than 3 enable: False KPT: model_dir: https://bj.bcebos.com/v1/paddledet/models/pipeline/dark_hrnet_w32_256x192.zip batch_size: 8 ATTR: model_dir: https://bj.bcebos.com/v1/paddledet/models/pipeline/PPLCNet_x1_0_person_attribute_945_infer.zip batch_size: 8 enable: False VIDEO_ACTION: model_dir: https://videotag.bj.bcebos.com/PaddleVideo-release2.3/ppTSM_fight.zip batch_size: 1 frame_len: 8 sample_freq: 7 short_size: 340 target_size: 320 enable: False SKELETON_ACTION: model_dir: https://bj.bcebos.com/v1/paddledet/models/pipeline/STGCN.zip batch_size: 1 max_frames: 50 display_frames: 80 coord_size: [384, 512] enable: False ID_BASED_DETACTION: model_dir: https://bj.bcebos.com/v1/paddledet/models/pipeline/ppyoloe_crn_s_80e_smoking_visdrone.zip batch_size: 8 threshold: 0.6 display_frames: 80 skip_frame_num: 2 enable: False ID_BASED_CLSACTION: model_dir: https://bj.bcebos.com/v1/paddledet/models/pipeline/PPHGNet_tiny_calling_halfbody.zip batch_size: 8 threshold: 0.8 display_frames: 80 skip_frame_num: 2 enable: False REID: model_dir: https://bj.bcebos.com/v1/paddledet/models/pipeline/reid_model.zip batch_size: 16 enable: False这份配置同时揭示了几个重要的实操细节enable开关控制模块是否加载MOT、ATTR、VIDEO_ACTION、SKELETON_ACTION、ID_BASED_DETACTION、ID_BASED_CLSACTION、REID均默认为False需要在运行时通过avtivity_list参数显式启用对应任务Pipeline 才会实例化对应模型见 pipeline.py 中PipePredictor.__init__对各任务的with_*分支判断。VIDEO_ACTION的真实模型是 ppTSM_fight打架识别实际使用的模型包是ppTSM_fight.zip90M 视频分类模型这一点与下载表格中的视频分类标注一致。阈值类参数决定识别灵敏度crop_thresh: 0.5检测框裁剪阈值、attr_thresh: 0.5属性判定阈值、kpt_thresh: 0.2关键点阈值、ID_BASED_DETACTION.threshold: 0.6、ID_BASED_CLSACTION.threshold: 0.8部署时可按场景精度要求调整。SKELETON_ACTION的coord_size: [384, 512]为送入 STGCN 的关键点坐标归一化尺寸max_frames: 50为判定一次行为所需的关键点帧缓冲数对应源码中KeyPointBuff(skeleton_action_frames)的帧数缓存逻辑。自动下载的完整链路当用户不改动model_dir保持 URL时推理启动阶段会自动完成下载、校验、解压。这条链路定义在 download.py入口判断auto_download_model(model_path)通过is_url()判断model_dir是否为 URL支持http://、https://、ppdet://三种前缀若为本地路径则直接返回None、跳过下载。缓存目录权重统一缓存到~/.cache/paddle/infer_weightsWEIGHTS_HOME同名文件已存在且 MD5 校验通过时直接复用不重复下载。MD5 完整性校验MODEL_URL_MD5_DICT为每个官方模型包预置了 MD5 值例如mot_ppyoloe_l_36e_ppvehicle.zip对应3859d1a26e0c498285c2374b1a347013、dark_hrnet_w32_256x192.zip对应a20d5f6ca087bff0e9f2b18df45a36f2下载后按 4096 字节分块计算 MD5不匹配则重新下载最多重试 3 次DOWNLOAD_RETRY_LIMIT 3。安全解压zip/tar 包先解压到临时目录tmp成功后合并移动至目标目录并删除压缩包防止解压中断产生残损目录。目录名归一化个别包的解压目录名与压缩包名不一致如ppTSM_fight解压后目录名为ppTSMdecompress_name_map会做映射修正保证model_dir指向正确路径。Pipeline 联动get_model_dir_with_list()/get_model_dir()见 pipeline.py会在初始化各预测器前遍历配置对每个model_dir调用auto_download_model并把下载后的本地路径写回cfg[key][model_dir]因此后续SDE_Detector、AttrDetector、KeyPointDetector等模块拿到的都是可直接加载的本地模型目录。五、模型如何被 Pipeline 调度使用理解模型下载后如何被使用有助于按任务裁剪模型、减少不必要的下载。根据 pipeline.py 的初始化与推理逻辑各模型的调度关系如下图片输入单帧走predict_image先DET检测行人框过滤阈值crop_thresh再对裁剪框逐个做ATTR属性识别输出检测框 属性标注图。视频输入多帧走predict_video默认开启MOT多目标跟踪基于SDE_Detectortracker_config.yml中的跟踪器参数随后按启用的任务依次执行ATTR对每个跟踪目标框裁剪后送入属性模型SKELETON_ACTION对裁剪框做关键点检测KeyPointDetector使用 dark_hrnet_w32关键点经KeyPointBuff按 ID 缓存max_frames帧后送入 STGCN 判定摔倒行为ID_BASED_DETACTION基于人体 ID 的目标检测用于抽烟识别ppyoloe_crn_sID_BASED_CLSACTION基于人体 ID 的图像分类用于打电话识别PPHGNet_tinyVIDEO_ACTION按frame_len、sample_freq、short_size采集视频片段送入 ppTSM 做打架识别REID每 10 帧对目标提取 ReID 特征供跨镜跟踪MTMCT使用。人流计数与轨迹do_entrance_counting、draw_center_traj属于 MOT 侧增强功能开启时会调用flow_statistic统计进出客流并绘制中心轨迹不需要额外模型只依赖 MOT 结果。如果你只用行人检测功能实际只需要下载 MOT 模型包并只勾选MOT任务即可其他模块保持enable: FalsePipeline 不会实例化也不会触发对应 URL 的下载。六、注意事项与部署提示沿用原文档的官方注意事项并结合源码补充如下部署要点模型精度口径模型精度为融合数据集开源数据集 企业数据集的训练结果ReID 模型精度为 Market1501 数据集测试结果跨数据集使用时精度可能波动。速度口径预测速度为T4 下开启 TensorRT FP16的效果且包含数据预处理、模型预测、后处理全流程。若在 CPU 或关闭 TensorRT 的环境下运行实际耗时会长于表中数值。自动下载的触发条件只要配置中的model_dir保持为 URL且缓存目录~/.cache/paddle/infer_weights中没有校验通过的同名包推理启动时就会自动下载。离线/内网环境请务必预先手动下载并解压到./output_inference再将配置改为本地路径。任务开关与模型裁剪avtivity_list中的任务名MOT、ATTR、VIDEO_ACTION、SKELETON_ACTION、ID_BASED_DETACTION、ID_BASED_CLSACTION、REID、do_entrance_counting、draw_center_traj与配置文件中的enable开关共同决定加载哪些模型不需要的功能保持关闭可节省显存与启动时间。跟踪器配置独立MOT 的跟踪参数如匹配阈值、轨迹保活时长等在 tracker_config.yml 中单独维护MOT.tracker_config指向该文件调跟踪效果时只需改这份配置无需重新下载模型。七、快速上手从下载到运行的最小流程结合仓库中的 Gradio 示例应用app.yml声明的app_file: app.py与 requirements.txt最小运行流程为# 1. 安装依赖 pip install -r modelcenter/PP-HumanV2/requirements.txt # 2. 启动 APP首次运行会自动下载激活任务所需模型 python modelcenter/PP-HumanV2/APP/app.pyapp.py中图片 Tab 默认勾选ATTR属性识别视频 Tab 提供MOT、ATTR、VIDEO_ACTION、SKELETON_ACTION、ID_BASED_DETACTION、ID_BASED_CLSACTION、REID、do_entrance_counting、draw_center_traj多选任务当勾选do_entrance_counting或draw_center_traj时会自动追加MOT任务源码中的显式判断保证计数/轨迹功能有跟踪结果可用。视频输入仅支持.mp4与.avi格式。更多关于模型整体能力、benchmark 指标与在线体验入口可继续阅读同目录下的 benchmark_cn.md 与 introduction_cn.ipynbPP-HumanV2 的完整概览图可参考 pphumanv2.png。赞分享人工智能深度学习计算机视觉NLP语音【免费下载链接】modelsOfficially maintained, supported by PaddlePaddle, including CV, NLP, Speech, Rec, TS, big models and so on.项目地址https://gitcode.com/gh_mirrors/mo/models点击查看免费下载相关推荐PaddleDetection PP-Human 垂类模型全解析行人检测、吸烟/打电话行为识别与属性识别实战指南PaddleDetection PP Human 垂类模型全解析行人检测、吸烟/打电话行为识别与属性识别实战指南 PP Human 是 PaddleDetec人工智能深度学习计算机视觉webpack-dev-server 多编译器实战在 dev-server 中运行 WebWorker 应用的完整指南webpack dev server 多编译器实战在 dev server 中运行 WebWorker 应用的完整指南 本指南以 examples/gener开发工具后端PaddleDetection PP-Human 行人属性识别二次开发实战指南从 26 位属性标注到自定义模型训练与部署PaddleDetection PP Human 行人属性识别二次开发实战指南从 26 位属性标注到自定义模型训练与部署 导读 本文面向需要在 PP Huma人工智能深度学习计算机视觉上一篇DGL 示例精读SIGNScalable Inception Graph Neural Networks可扩展图神经网络实现与性能复现下一篇Angular 服务创建与使用实战指南Service 装饰器、根级提供机制与源码级原理剖析创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考