实时人头检测-通用 模型介绍

本模型为高性能热门应用系列检测模型中的 实时人头检测模型，基于面向工业落地的高性能检测框架DAMOYOLO，其精度和速度超越当前经典的YOLO系列方法。用户使用的时候，仅需要输入一张图像，便可以获得图像中所有人头的坐标信息，并可用于行人计数等后续应用场景。

相关模型

以下是ModelScope上所有的热门应用检测模型（垂类目标检测模型）：

模型描述

本模型为实时人头检测模型，基于检测框架DAMOYOLO-S模型，DAMO-YOLO是一个面向工业落地的目标检测框架，兼顾模型速度与精度，其训练的模型效果超越了目前的一众YOLO系列方法，并且仍然保持极高的推理速度。DAMOYOLO与YOLO系列其它经典工作的性能对比如下图所示：

DAMOYOLO整体网络结构如下，整体由backboe (MAE-NAS), eck (GFPN), head (ZeroHead)三部分组成，基于"large eck, small head"的设计思想，对低层空间信息和高层语义信息进行更加充分的融合，从而提升模型最终的检测效果。

期望模型使用方式以及适用范围

该模型适用于人头检测，输入任意的图像，输出图像中人头的位置信息。

如何使用

在ModelScope框架上，提供输入图片，即可以通过简单的Pipelie调用使用当前模型，得到图像中所有人头的外接矩形框信息。

推理代码范例

基础示例代码。下面的示例代码展示的是如何通过一张图片作为输入，得到图片对应的人头检测结果。

from modelscope.pipelies import pipelie
from modelscope.utils.costat import Tasks

model_id = 'damo/cv_tiyas_head-detectio_damoyolo'
iput_locatio = 'https://modelscope.oss-c-beijig.aliyucs.com/test/images/image_detectio.jpg'

head_detectio = pipelie(Tasks.domai_specific_object_detectio, model=model_id)
result = head_detectio(iput_locatio)
prit("result is : ", result)

微调代码范例

下面的示例代码展示如何基于已有的COCO格式数据集，进行模型的微调（fietue）。详细的训练说明可以参见：DAMOYOLO-S模型。

import os.path as osp
from modelscope.metaifo import Traiers
from modelscope.traiers import build_traier
from modelscope.msdatasets import MsDataset
from modelscope.utils.costat import DowloadMode

# Step 1: 数据集准备，可以使用modelscope上已有的数据集，也可以自己在本地构建COCO数据集
trai_dataset = MsDataset.load('head_detectio_for_trai', amespace="modelscope", split='trai', dowload_mode=DowloadMode.FORCE_REDOWNLOAD)
val_dataset = MsDataset.load('head_detectio_for_trai', amespace="modelscope", split='validatio', dowload_mode=DowloadMode.FORCE_REDOWNLOAD)

# Step 2: 相关参数设置
trai_root_dir = trai_dataset.cofig_kwargs['split_cofig']['trai']
val_root_dir = val_dataset.cofig_kwargs['split_cofig']['validatio']
trai_img_dir = osp.joi(trai_root_dir, 'images')
val_img_dir = osp.joi(val_root_dir, 'images')
trai_ao_path = osp.joi(trai_root_dir, 'traival.jso')
val_ao_path = osp.joi(val_root_dir, 'test.jso')
kwargs = dict(
            model='damo/cv_tiyas_head-detectio_damoyolo', # 使用DAMO-YOLO-S模型 
            gpu_ids=[  # 指定训练使用的gpu
                0,
            ],
            batch_size=2, # batch_size, 每个gpu上的图片数等于batch_size // le(gpu_ids)
            max_epochs=3, # 总的训练epochs
            um_classes=1, # 自定义数据中的类别数
            load_pretrai=True, # 是否载入预训练模型，若为False，则为从头重新训练
            base_lr_per_img=0.001, # 每张图片的学习率，lr=base_lr_per_img*batch_size
            trai_image_dir=trai_img_dir, # 训练图片路径
            val_image_dir=val_img_dir, # 测试图片路径
            trai_a=trai_ao_path, # 训练标注文件路径
            val_a=val_ao_path, # 测试标注文件路径
            )

# Step 3: 开启训练任务
traier = build_traier(
            ame=Traiers.tiyas_damoyolo, default_args=kwargs)
traier.trai()

训练数据介绍

本模型是基于以下数据集训练得到：

• Safety Helmet Wearig Dataset (SHWD)人头数据；
• 内部积累以及互联网爬取的相关人头数据。

数据评估及结果

模型在SHWD的验证集上客观指标如下：

相关论文以及引用信息

本模型主要参考论文如下（论文链接：lik）：

 @article{damoyolo,
  title={DAMO-YOLO: A Report o Real-Time Object Detectio Desig},
  author={Xiazhe Xu, Yiqi Jiag, Weihua Che, Yilu Huag, Yua Zhag ad Xiuyu Su},
  joural={arXiv preprit arXiv:2211.15444v2},
  year={2022}
}

实时人头检测-通用 模型介绍 本模型为高性能热门应用系列检测模型中的 实时人头检测模型，基于面向工业落地的高性能检测框架DAMOYOLO，其精度和速度超越当前经典的YOLO系列方法。用户使用的时候，