Panduan pendeteksi orang/kendaraan

Model Pendeteksi orang/kendaraan memungkinkan Anda mendeteksi dan menghitung orang atau kendaraan^* dalam frame video. Model menerima streaming video sebagai input dan menghasilkan buffer protokol dengan jumlah orang dan kendaraan yang terdeteksi di setiap frame. Model berjalan pada enam FPS.

^{* Mobil, bus, truk, sepeda, sepeda motor, dan ambulans.}

Output model

Model Pendeteksi orang/kendaraan menunjukkan jumlah orang dan kendaraan yang terdeteksi dalam frame yang sedang diproses. Berikut adalah definisi buffer protokol dari output model. Frekuensi aliran output bersifat konstan: satu frame per detik.

// The prediction result proto for Person/Vehicle Detection.
message OccupancyCountingPredictionResult {

 // Current timestamp.
 google.protobuf.Timestamp current_time = 1;

 // The entity info for annotations from the model.
 message Entity {
   // Label id.
   int64 label_id = 1;
   // Human readable string of the label.
   string label_string = 2;
 }

 // Identified box contains location and the entity of the object.
 message IdentifiedBox {
   // An unique id for this box.
   int64 box_id = 1;
   // Bounding Box in the normalized coordinates.
   message NormalizedBoundingBox {
     // Min in x coordinate.
     float xmin = 1;
     // Min in y coordinate.
     float ymin = 2;
     // Width of the bounding box.
     float width = 3;
     // Height of the bounding box.
     float height = 4;
   }
   // Bounding Box in the normalized coordinates.
   NormalizedBoundingBox normalized_bounding_box = 2;
   // Confidence score associated with this box.
   float score = 3;
   // Entity of this box.
   Entity entity = 4;
 }

 // A list of identified boxes.
 repeated IdentifiedBox identified_boxes = 2;

 // The statistics info for annotations from the model.
 message Stats {
   // The object info and count for annotations from the model.
   message ObjectCount {
     // Entity of this object.
     Entity entity = 1;
     // Count of the object.
     int32 count = 2;
   }
   // Counts of the full frame.
   repeated ObjectCount full_frame_count = 1;
 }

 // Detection statistics.
 Stats stats = 3;
}

Praktik terbaik dan batasan

• Hindari sudut pandang kamera yang tidak biasa (misalnya, tampilan dari atas ke bawah) yang menampilkan orang dan kendaraan secara berbeda dari tampilan standar atau umum. Kualitas deteksi dapat sangat terpengaruh oleh tampilan yang tidak biasa.
• Pastikan orang dan kendaraan terlihat sepenuhnya atau sebagian besar. Kualitas deteksi dapat dipengaruhi oleh oklusi parsial oleh objek lain.
• Pendeteksi Orang/kendaraan memiliki ukuran objek minimum yang dapat dideteksi. Ukuran ini adalah sekitar 2% sehubungan dengan ukuran tampilan kamera. Pastikan orang dan kendaraan target tidak terlalu jauh dari kamera. Ukuran objek utama yang dapat dilihat harus cukup besar.
• Area minat harus memiliki pencahayaan yang tepat.
• Pastikan lensa kamera sumber video bersih.
• Pastikan entitas (selain orang atau mobil) tidak menghalangi bagian apa pun dari ruang pandang kamera.
• Faktor berikut dapat menurunkan performa model. Pertimbangkan faktor-faktor berikut saat Anda mendapatkan data:
  • Kondisi pencahayaan yang buruk.
  • Kepadatan dan oklusi objek.
  • Sudut pandang yang tidak umum.
  • Ukuran objek kecil.