五大異常行為一鍵識別

10余種預訓練模型一站下載

10分鐘快速新增識別類型

多路視頻流部署高性能支持

全流程保姆級教程，從技術選型、數據準備到模型部署全覆蓋

行人分析工具PP-Human重磅升級！

圖1：PP-Human v2全功能全景圖 PP-Human集成了目標檢測、目標跟蹤、關鍵點檢測、視頻分類等硬核能力于一身，直接省去方案選型、模型搭建的步驟，一行命令即可實現快速推理，10分鐘即可快速擴展個性化能力模塊。不僅核心功能的性能直接拉滿，還提供流暢順滑的pipeline使用體驗！ Talk is cheap，show you the code!!! (語言是蒼白的，直接看代碼！) https://github.com/PaddlePaddle/PaddleDetection

圖2：星標提醒記得Star收藏，防止走丟又實時關注更新！

圖3：10+預訓練模型可免費下載 PP-Human經由真實業務場景數據深度打磨優化，擁有適應不同光線、復雜背景下的人體屬性特征分析、異常行為識別、出入口人流計數與軌跡繪制、跨鏡跟蹤四大核心功能。不僅如此，PP-Human還兼容單張圖片、單路或多路離線及在線視頻流等多種數據輸入類型，更符合產業復雜的環境應用需求，同時考慮到產業自定義開發的需求，PP-Human還提供了模型訓練與功能新增全流程教程。 本次全面升級的PP-Human v2無論是從功能豐富度、底層算法性能，還是從全流程易用性上都實現了顯著的提升，可概括為以下三大特性：

四大產業特色功能：高性能易擴展的五大復雜行為識別、閃電級人體屬性識別、一行代碼即可實現的人流檢測與軌跡留存以及高精度跨鏡跟蹤

底層核心算法性能強勁：覆蓋行人檢測、跟蹤、屬性三類核心算法能力，對目標人數、光線、背景均無限制

極低使用門檻：提供保姆級全流程開發及模型優化策略、一行命令完成推理、新增多路在線視頻流部署，實現各類數據輸入格式全兼容

特性一：四大產業特色功能

①高性能易擴展的五大復雜行為識別能力

圖4：行為識別全景圖 PP-Human v2針對最核心、高頻的五種復雜異常行為識別（抽煙、打電話、闖入、打架、摔倒）分別構建了性價比最高的技術方案，無論是從精度速度，還是可擴展性上，都有絕對性的優勢，先來看看它的性能：

圖5：行為識別性能指標 使用教程：https://github.com/PaddlePaddle/PaddleDetection/blob/develop/deploy/pipeline/docs/tutorials/action.md 貼心的PP-Human v2還為大家準備了針對以上五種核心技術的完整選型指南，作為選擇困難癥的福音，助力開發者快速完成方案選型！

圖6：技術方案選型指南

不僅如此，以上四種核心技術方案可覆蓋90%以上的常見行為識別，同時支持輕松擴展至全新動作類型。

圖7：動作擴展流程圖 動作類型擴展教程：https://github.com/PaddlePaddle/PaddleDetection/blob/develop/docs/advanced_tutorials/customization/action_recognotion/README.md ②閃電級人體屬性識別

圖8：人體屬性分析效果示例 作為PP-Humanv2本次重磅升級的屬性識別能力，不僅支持眼鏡、帽子、衣著等26種通用屬性，更是提供高精度、超輕量及性能平衡三個版本，支持新增與刪減屬性類型，充分滿足各類開發需求：

圖9：性能表格 使用教程：https://github.com/PaddlePaddle/PaddleDetection/blob/develop/deploy/pipeline/docs/tutorials/attribute.md ③一行代碼快速實現人流計數PP-Human v2提供基于跟蹤的人流檢測，僅需開啟對應參數即可實現去重人流統計，輸出結果包括進入（in）和出去（out）的行人數量，適用于各類場景如商場、小區的人流監控。

圖10：人流計數與軌跡繪制示例 使用教程：https://github.com/PaddlePaddle/PaddleDetection/blob/develop/deploy/pipeline/docs/tutorials/mot.md ④高精度的跨鏡跟蹤能力在跨鏡跟蹤中，需要匹配在不同攝像頭下出現的人，因此相對于跟蹤任務，其更關注的是識別匹配問題，PP-Human v2采用一種多投票的方式，利用相同ID的多個目標特征組合，同時根據完整性、質量進行特征選擇，最終提高匹配效果，而且其方法與ReID模型獨立，可靈活更換任意ReID模型。

使用教程：https://github.com/PaddlePaddle/PaddleDetection/blob/develop/deploy/pipeline/docs/tutorials/mtmct.md

特性二：底層核心算法性能強勁

強大的功能背后缺少不了性能強勁的底層核心算法支撐，PP-Human v2引入前沿策略與創新設計，在行人檢測、跟蹤、屬性識別三大核心算法均實現性能大幅提升，特別針對產業常見難點如ID Switch、密集遮擋等都進行了特殊優化，最終實現：

行人檢測：精度提升1.5%，達到57.8mAP 采用云邊一體高精度實時檢測算法PP-YOLOE，與多場景開源數據集聯合訓練，大幅提高模型的泛化能力，同時結合Objects365預訓練加速模型收斂過程，實現精度提升

行人跟蹤：精度提升10.2%，速度提升34% 【高精度：MOTA 82.2、FPS 43】采用對遮擋和非線性運動魯棒的OC-SORT跟蹤器，極大改善遮擋導致的ID Switch 【輕量級：MOTA 73.9、FPS 70】依托PP-YOLOE高性能小模型，達到了極高性價比的檢測和跟蹤性能。

圖11：ID Switch對比圖

屬性識別：提供高精度、輕量級、性能平衡三版模型，精度提升0.6%、速度提升17%

圖12：屬性性能指標圖

特性三：極低開發門檻

升級后的PP-Humanv2除了在性能和擴展性上做到極致之外，還針對五大行為識別、屬性分析、人流計數/軌跡繪制（檢測跟蹤）、跨境跟蹤四大能力均提供了從數據采集、標注、模型訓練、優化、部署的全流程保姆級教程，再也不需被不知如何使用標注工具、拿不準優化策略之類的問題所煩惱了！

圖13：全流程教程示例 除此之外，PP-Human v2采用pipeline的方式串聯各模塊，輸入部分支持單張圖片，圖片文件夾，離線單/多鏡頭視頻，在線單/多路視頻流，通過命令行輸入不同參數即可實現對應功能。

Pipeline串聯使用

圖14：一行命令輸入示例

rtsp拉流預測

對rtsp拉流的支持，使用--rtsp RTSP [RTSP ...]參數指定一路或者多路rtsp視頻流即可實現，示例如下： # 例：行人屬性識別，單路視頻流

# 例：行人屬性識別，多路視頻流

視頻結果推流rtsp

預測結果進行rtsp推流，使用--pushurl rtsp:[IP] 推流到IP地址端，PC端可以使用VLC播放器打開網絡流進行播放，播放地址為 rtsp:[IP]/videoname，示例如下： # 例：行人屬性識別，單路視頻流，該示例播放地址為 rtsp://[YOUR_SERVER_IP]:8554/test_video

總而言之，PP-Human v2在性能SOTA的檢測、關鍵點、跟蹤、ReID等核心算法基礎上，針對產業痛點特殊打磨，支持人體屬性分析、五大行為識別、人流計數與軌跡繪制與跨鏡跟蹤四大功能，并提供了從選型到上線的端到端教程支持，從真正意義上實現功能好用、易用！

審核編輯 ：李倩