person-vehicle-bike-detection-crossroad-1016#

ユースケースと概要説明#

MobileNetV2 + SSD ベースのネットワークは、セキュリティー監視アプリケーションにおける人/車両/自転車の検出に使用されます。さまざまなシーンや天候/照明条件で機能します。

例#

仕様#

メトリック

値

評価指標 (mAP)

62.55%

AP 人物

73.63%

AP 車両

77.84%

AP 自転車

36.18%

検出する最大オブジェクト

200

GFlops

3.560

ソース・フレームワーク

PyTorch*

平均精度 (AP) は、精度/再現率曲線の下の領域として定義されます。

検証データセットは、さまざまなシーンからの 34,757 枚の画像で構成されており、次のものが含まれます:

オブジェクトのタイプ

境界ボックスの数

車両

229,503

歩行者

240,009

非車両

62,643

同様に、トレーニング・データセットには次のような 219,181 枚の画像があります:

オブジェクトのタイプ

境界ボックスの数

車両

810,323

歩行者

1,114,799

非車両

62,334

入力#

画像、名前: input.1、形状: 1, 3, 512, 512、形式: B, C, H, W、ここで:

  • B - バッチサイズ

  • C - チャネル数

  • H - 画像の髙さ

  • W - 画像の幅

予想される色の順序: BGR。

出力#

最終出力は、形状: 1, 1, 200, 7、形式: 1, 1, N, 7 のブロブです。ここで、N は検出された境界ボックスの数です。各検出は [image_id, label, conf, x_min, y_min, x_max, y_max] の形式です。ここで:

  • image_id - バッチ内の画像の ID

  • label - 予測されたクラス ID (0 - 非車両、1 - 車両、2 - 人物)

  • conf - 予測されたクラスの信頼度

  • (x_min, y_min) - 境界ボックスの左上隅の座標

  • (x_max, y_max) - 境界ボックスの右下隅の座標

デモの使い方#

このモデルは、Open Model Zoo が提供する次のデモで使用して、その機能を示します: