行人属性检测模型

输入一张图像，先进行人检测，再对检测到的人体区域进行属性检识别，输出所有人体区域检测框和属性值。

模型描述

该模型主要用于行人属性识别任务，从图像中检测出人体框坐标和属性。该任务使用ReseNet50模型在PA100K和RAP综合数据集上训练而来，实验细节请参考论文Improving Pedestrian Attribute Recognition With Weakly-Supervised Multi-Scale Attribute-Specific Localization", ICCV 2019, Seoul, [https://arxiv.org/abs/1910.04562]。

使用方式和范围

使用方式：

• 输入任意图像，返回图像中所有的人体框坐标和属性值。

目标场景:

1. 安防场景。
2. 无人商店。

如何使用

在ModelScope框架上，提供输入图片，即可以通过简单的Pipeline调用来完成行人属性识别任务。

推理代码范例

也可以参考示例代码tests/pipelines/test_pedestrian_attribute_recognition.py

from modelscope.pipelines import pipeline
from modelscope.utils.constant import Tasks

model_id = 'damo/cv_resnet50_pedestrian-attribute-recognition_image'
pedestrian_attribute_recognition = pipeline(Tasks.pedestrian_attribute_recognition, model=model_id)
output = pedestrian_attribute_recognition('https://modelscope.oss-cn-beijing.aliyuncs.com/test/images/keypoints_detect/000000442836.jpg')

# the output contains boxes and labels
print(output)

模型局限性以及可能的偏差

• 受限于数据的多样性和数据量，衣服的种类和颜色值可能偏差比较大。

训练数据介绍

训练数据来自公开数据集PA100K[https://www.v7labs.com/open-datasets/pa-100k]和RAP[https://www.rapdataset.com]。

数据评估及结果

测评指标

模型在公开测试数据集上的评价指标如下：

模型效果

引用

@article{DBLP:journals/corr/abs-1910-04562,
  author    = {Chufeng Tang and
               Lu Sheng and
               Zhaoxiang Zhang and
               Xiaolin Hu},
  title     = {Improving Pedestrian Attribute Recognition With Weakly-Supervised
               Multi-Scale Attribute-Specific Localization},
  journal   = {CoRR},
  volume    = {abs/1910.04562},
  year      = {2019},
  url       = {http://arxiv.org/abs/1910.04562},
  eprinttype = {arXiv},
  eprint    = {1910.04562},
  timestamp = {Tue, 02 Aug 2022 14:18:00 +0200},
  biburl    = {https://dblp.org/rec/journals/corr/abs-1910-04562.bib},
  bibsource = {dblp computer science bibliography, https://dblp.org}
}

Clone with HTTP

 git clone https://www.modelscope.cn/damo/cv_resnet50_pedestrian-attribute-recognition_image.git