实时烟火检测-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 实时烟火检测模型，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烟火的坐标信息。

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

本模型为实时烟火检测模型，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backbone (MAE-NAS), neck (GFPN), head (ZeroHead)三部分组成，基于"large neck, 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

该模型适用于烟火检测，输入任意的图像，输出图像中烟火的外接矩形框坐标信息（支持图片中有多个烟火），以及是否佩戴口罩。

如何使用

在ModelScope框架上，提供输入图片，即可以通过简单的Pipeline调用使用当前模型，得到图像中所有人脸的外接矩形框坐标信息，以及是否佩戴口罩。

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，得到图片对应的人脸佩戴口罩检测结果。

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

model_id = 'damo/cv_tinynas_object-detection_damoyolo_smokefire'
input_location = 'https://modelscope.oss-cn-beijing.aliyuncs.com/test/images/image_detection.jpg'

smokefire_detection = pipeline(Tasks.domain_specific_object_detection, model=model_id)
result = smokefire_detection(input_location)
print("result is : ", result)

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：link）：

 @article{damoyolo,
  title={DAMO-YOLO: A Report on Real-Time Object Detection Design},
  author={Xianzhe Xu, Yiqi Jiang, Weihua Chen, Yilun Huang, Yuan Zhang and Xiuyu Sun},
  journal={arXiv preprint arXiv:2211.15444v2},
  year={2022}
}