其他
市集系列｜AI赋能人流量检测，可视化数据大屏让城市更安全
项目概述
在超大城市的管理中，如何应对人口密度增大所造成的拥挤、踩踏等事故是不可回避的问题。一旦人流密度超过场所所能容纳上限，后续的风险往往难以管控。近期，韩国梨泰院发生的踩踏事故共造成156人丧生，造成了不可挽回的损失。本项目旨在对特定区域的人流量进行智慧监控，以辅助管理者在事故发生前及时实施管控，以减少甚至彻底消除大人流量带来的风险。
本方案基于 PP-Human 行人分析工具，使用 Django+pyecharts 完成动态数据大屏的开发，完成了人流数据的采集与入库，打架、摔倒、打电话等事件的警报收集与可视化，并添加了口罩检测。对于边缘端的 CPU 部署性能优化，我们采用 OpenVINO+ONNX 的方案，并同时提供各种大小尺寸的模型，以满足在不同算力限制的设备上部署的需求。
本项目旨在实现对某一特定监控区域进出口人流量的检测与记录，而 PP-Human 为我们提供了全套的解决方案。基于 PP-Human 完善的 pipeline，我们使用 Django 和 pyecharts 开发了可视化前端，并针对推理速度进行了一定优化，同时使用 OpenVINO 以提高 pipeline 在 CPU 上的运行速度。
功能概览
本方案主要支持的功能如下：
在数据采集与入库过程中，根据任务性质不同，采用了两种方案：
定时采集：对于每个 frame 推理都会产生的人员计数数据及视频图像等，采用定时采集入库的方式。即定时对实时推理结果进行记录并存入数据库。
即时采集：对于偶发的警告事件（如摔倒、打架等），采用即时入库的方式。即一旦检测到事件发生就通过 requests 将事件发送给后端。
在数据可视化及事件警报的展示上，我们使用 Django 与 Echarts 配合完成。使用 Django 的 StreamingHttpResponse 实现视频流的传输，并用 ajax 定时更新网页上的图表与警报信息，实现动态数据大屏的基础功能。
同时根据具体应用落地的差异，数据可视化大屏中预留了各种图表的位置，可以根据需求自行设计所需的数据图表进行展示，丰富大屏功能，实现个性化功能定制。
边缘部署优化
由于本项目所使用 pipeline 模型众多，各自算力需求也各有不同，在 CPU 条件下可能不能够在开启所有功能的条件下保持良好的性能，我们使用 OpenVINO+ONNX 的形式尽量优化 pipeline 的推理性能。所有转换后的 ONNX 模型都可以在本项目中下载。您也可以自己挑选所需的模型规格并使用 Paddle2ONNX 转换成 ONNX 模型。
🔗PP-Humanhttps://github.com/PaddlePaddle/PaddleDetection/blob/release/2.5/deploy/pipeline/docs/tutorials/PPHuman_QUICK_STARTED.md#模型下载
🔗Paddle2ONNXhttps://github.com/PaddlePaddle/Paddle2ONNX
目前已经完成 OpenVINO 替换的功能模块有:
以上均在 Intel AIBox（11th Gen Intel(R) Core(TM) i5-1135G7@ 2.40GHz）上测试所得，包括所有前后处理流程。
快速开始
🔗项目链接https://aistudio.baidu.com/aistudio/projectdetail/4694859
■ 环境配置
整个项目已经上传，可以在项目挂载的数据集中下载。
cd crowd_vis
# 依赖已经全部写在requirements.txt中，直接pip安装即可
# 飞桨框架没有写入，没有安装的话自行安装
pip install -r requirements.txt
■ 启动服务
>> 命令行运行
>> 出现以下内容即启动成功
August 19, 2022 - 22:53:05
Django version 3.2.15, using settings 'crowd_vis.settings'
Starting development server at http://127.0.0.1:8000/
Quit the server with CONTROL-C.
未来工作
未来，我们将继续完成 PP-Human 所有模型的 OpenVINO 推理。其次，人流量数据时序相关，考虑接入机器学习的时序模型实现对人流的预警与预测，提供更多实用数据分析图表。
WAVE SUMMIT+2022
WAVE SUMMIT+2022将于11月30日在深圳举办，欢迎大家扫码报名！关注飞桨公众号，后台回复关键词「WAVE」进入官网社群了解更多峰会详情！
【WAVE SUMMIT+2022报名入口】