Jetson Nano部署FairMOT人流量统计模型

介绍

疫情仍在流行，限制体育馆、食堂、图书馆等公共场合人流量是疫情防控的必要措施，通过对监控摄像头画面进行行人追踪，统计人流量，从而实现人流量预警。利用PaddleDetection套件选择FairMot算法进行模型训练。PP-Tracking是基于飞桨深度学习框架的业界首个开源实时跟踪系统,本项目主要介绍借助PP-Tracking部署在Jetson Nano上实现人流量监测。

部署教程

注意：以下操作是在jetson nano上进行

1. 安装PaddlePaddle环境

下载PaddlePaddle官方Linux预测库whl包 下载解压后将whl文件并传到Jetson nano上即可pip安装。

jetson nano配置参考： 在Jetson Nano上基于python部署Paddle Inference——作者：Irving.Gao 安装whl pip3 install paddlepaddle_gpu-2.1.1-cp36-cp36m-linux_aarch64.whl 打开python3测试

import paddle
paddle.fluid.install_check.run_check()

2.部署自己的人流量检测模型

PP-Tracking提供了独立于PaddleDetection的预测脚本，因此无需安装PaddleDetection，只需要拉取PaddleDetection中的pptracking源码，

pptracking目录：PaddleDetection\deploy\pptracking\python

拉取PaddleDetection源码

!git clone https://gitee.com/PaddlePaddle/PaddleDetection

3.用导出的模型基于Python去预测行人跟踪

（1）将第六步导出的FairMOT模型上传到jetson nano中

（2）pptracking提供的 FairMOT模型预测脚本为：deploy/pptracking/python/mot_jde_infer.py

其参数和含义：

--model_dir 模型路径

--image_file 需要预测的图片

--image_dir 要预测的图片文件夹路径

--video_file 需要预测的视频

--camera_id 用来预测的摄像头ID，默认为-1(表示不使用摄像头预测，可设置为：0 - (摄像头数目-1) )，预测过程中在可视化界面按q退出输出预测结果到：output/output.mp4

--device 运行时的设备，可选择CPU/GPU/XPU，默认为CPU

--do_entrance_counting 是否统计出入口流量，默认为False

--draw_center_traj 是否绘制跟踪轨迹，默认为False

job_name=fairmot_dla34_30e_1088x608 model_type=mot/mcfairmot camera_id = 0 #摄像头编号

Python预测摄像头：

python deploy/pptracking/python/mot_jde_infer.py --model_dir=output_inference/${job_name} --camera_id={camera_id} --device=GPU --threshold=0.5