近日，媒體接連報道電動車起火爆炸造成嚴(yán)重人員傷亡的新聞，針對該問題，社區(qū)物業(yè)明令禁止電瓶車入戶，但是依然有人忽視這個問題嚴(yán)重性。目前，AI應(yīng)用已經(jīng)可以有效地預(yù)防此類問題，在進入電梯的時候就可以采取報警和有效措施。AI在安防領(lǐng)域的應(yīng)用非常廣泛，在各類公共場合迅速識別人員摔倒、打架、爭吵，以及車輛行駛異常等行為，可以及時通知安保人員進行干預(yù)。

本次飛槳產(chǎn)業(yè)實踐范例庫開源電瓶車進電梯檢測、異常行為檢測、多類別車輛跟蹤三個典型安防場景，提供了從數(shù)據(jù)準(zhǔn)備、模型訓(xùn)練優(yōu)化，到模型部署的全流程可復(fù)用方案，降低產(chǎn)業(yè)落地門檻。

?項目鏈接?

https://github.com/PaddlePaddle/awesome-DeepLearning

所有源碼及教程均已開源，歡迎大家使用，star鼓勵~

電瓶車進電梯檢測

電瓶車進樓入戶發(fā)生的火災(zāi)事故屢見不鮮，針對該現(xiàn)象飛槳聯(lián)合天覆科技推出了相應(yīng)的電瓶車進電梯檢測方案，及時進行報警與干預(yù)，從源頭減少這一情況的發(fā)生。

電梯場景內(nèi)物體多，遮擋情況常有發(fā)生，要保證準(zhǔn)確率、響應(yīng)速度和高性價比，同時針對需求的變化可以自行優(yōu)化，對技術(shù)方案提出很大挑戰(zhàn)。

基于這樣高難度的要求，天覆科技CTO馬純磊通過不斷的嘗試、試驗，最終找到了最優(yōu)的解決思路：使用飛槳圖像分類套件PaddleClas中的圖像識別系統(tǒng)PP-ShiTu(即主體檢測+特征提取+向量檢索的方式)，整體方案如下：

主體檢測分別選用了單階段檢測模型 YOLOv3、PP-YOLOv2、PicoDet進行實驗，最終準(zhǔn)確率高達98%，同時用戶可以不斷自優(yōu)化模型，模型準(zhǔn)確率不斷提升。

部署使用飛槳服務(wù)化部署框架Paddle Serving的方式，根據(jù)PicoDet前處理耗時較長的特點，采用Pipeline的策略，QPS從15提升到19，性能提升20%。同時加入kong安全網(wǎng)關(guān)，統(tǒng)一了預(yù)測服務(wù)入口，提升服務(wù)安全性。更多優(yōu)化策略詳解歡迎大家關(guān)注直播課。

多類別車輛跟蹤

車輛追蹤是安防領(lǐng)域的重要技術(shù)，在特定場所的車流量管控、進出口檢測、交通管控等經(jīng)典場景都存在廣泛應(yīng)用場景。本項目基于飛槳目標(biāo)檢測套件PaddleDetection，智能高效地實現(xiàn)了監(jiān)控場景下的多類別車輛跟蹤任務(wù)。

場景難點：

• 拍攝角度多變，受光照光線等影響對模型泛化能力要求較高；

• 涉及車輛類型較多，需要滿足多類別跟蹤訴求；

• 高空俯拍，對小目標(biāo)大尺幅場景準(zhǔn)確性要求較高，預(yù)警對實時性能要求較高。

本項目使用可進行多類別跟蹤的MCFairMOT算法，選擇較大的圖像輸入尺寸 1088 x 608，從而改善小目標(biāo)檢測效果；考慮到速度和精度能夠均衡，項目中使用 DLA-34 作為Baseline模型的骨干網(wǎng)絡(luò)。通過多種優(yōu)化策略，整體精度提升30%，從最終可視化場景中可以看到取得非常好的多類別追蹤效果。

在部署上提供基于Paddle Inference 的部署方案，做到高吞吐、低時延，保證了模型在服務(wù)器端即訓(xùn)即用，快速部署。

異常行為檢測

社會治安一直是城市、社區(qū)、商區(qū)治理的重要問題。城市內(nèi)安裝大量攝像頭，面對海量視頻數(shù)據(jù)堆積，需要及時發(fā)現(xiàn)安防行為問題，并做出快速反應(yīng)。異常行為的動作類型有很多，比如打架、爭吵、破壞公物、吸煙、摔倒等，均可以用AI技術(shù)做出快速檢測。

場景難點：

• 靠單張圖片很難判別行為類型

• 行為識別標(biāo)注難度大

• 行為類內(nèi)和類間變化大

針對以上難點，我們對動作檢測的技術(shù)方案做了整體分析：

最終選用了業(yè)界領(lǐng)先的基于時空信息的SlowFast_FasterRCNN模型。相比于基于骨骼點的模型，該模型對遮擋等場景更加魯棒；相比于基于目標(biāo)檢測的模型，該模型能夠提取時序特征，解決單張圖片很難判別行為類型的問題。

同時，我們提供了數(shù)據(jù)集的構(gòu)建方案細節(jié)，并在該數(shù)據(jù)集上提供了多種優(yōu)化方案與實驗數(shù)據(jù)詳解，如樣本均衡策略、模型細節(jié)優(yōu)化、訓(xùn)練策略優(yōu)化等，最終在多類別分類上比原模型達到了更優(yōu)的效果。最后，我們提供了基于Paddle Inference 的部署方案。

產(chǎn)業(yè)實踐范例教程

助力企業(yè)跨越AI落地鴻溝

飛槳產(chǎn)業(yè)實踐范例，致力于加速AI在產(chǎn)業(yè)落地的前進路徑，減少理論技術(shù)與產(chǎn)業(yè)應(yīng)用的差距。范例來源于產(chǎn)業(yè)真實業(yè)務(wù)場景，通過完整的代碼實現(xiàn)，提供從數(shù)據(jù)準(zhǔn)備到模型部署的方案過程解析，堪稱產(chǎn)業(yè)落地的“自動導(dǎo)航”。

• 真實產(chǎn)業(yè)場景：與實際具有AI應(yīng)用的企業(yè)合作共建，選取企業(yè)高頻需求的AI應(yīng)用場景如智慧城市-安全帽檢測、智能制造-表計讀數(shù)等；

• 完整代碼實現(xiàn)：提供可一鍵運行的代碼，在“AI Studio一站式開發(fā)平臺”上使用免費算力一鍵Notebook運行；

• 詳細過程解析：深度解析從數(shù)據(jù)準(zhǔn)備和處理、模型選擇、模型優(yōu)化和部署的AI落地全流程，共享可復(fù)用的模型調(diào)參和優(yōu)化經(jīng)驗；

• 直達項目落地：百度高工手把手教用戶進行全流程代碼實踐，輕松直達項目POC階段。

精彩課程預(yù)告

為了讓小伙伴們更便捷的應(yīng)用這些范例教程，百度飛槳于2月24日20:00-21:30為大家準(zhǔn)備了直播課程，深度解析從數(shù)據(jù)準(zhǔn)備、方案設(shè)計到模型優(yōu)化部署的開發(fā)全流程，手把手教大家進行代碼實踐。

歡迎小伙伴們掃碼關(guān)注服務(wù)號報名，免費獲取直播課和回放視頻鏈接，更有機會獲得覆蓋智慧城市、工業(yè)制造、金融、互聯(lián)網(wǎng)等行業(yè)的飛槳產(chǎn)業(yè)實踐范例手冊！也歡迎感興趣的企業(yè)和開發(fā)者與我們聯(lián)系，交流技術(shù)探討合作。

掃碼報名直播課，加入技術(shù)交流群

與50位技術(shù)專家面對面20年技術(shù)見證，附贈技術(shù)全景圖

總結(jié)

以上是生活随笔為你收集整理的手把手教学电瓶车进电梯检测、多类别车辆追踪、异常行为检测产业级应用的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。