Hailo AI
Software Suite

Anwendung zur automatischen Nummernschilderkennung auf der Grundlage einer komplexen Pipeline mit Modellplanung.

Die Pipeline zur Nummernschilderkennung (LPR), die auch als automatische Nummernschilderkennung (ANPR) bezeichnet wird, wird häufig auf dem Markt für Intelligente Verkehrssysteme (ITS) eingesetzt. Diese Beispielanwendung demonstriert einen automatischen Modellwechsel zwischen 3 verschiedenen Netzen in einer komplexen Pipeline. Parallel laufen das Modell YOLOv5m zur Fahrzeugerkennung, das Modell YOLOv4-tiny zur Kennzeichenerkennung und das Modell lprnet zur Textextraktion.

Lesen Sie mehr in unserem Nummernschild-Erkennung Blog Post

Multi-Kamera-Mehrpersonen-Verfolgung (RE-ID)

Die Re-Identifizierung mehrerer Personen über verschiedene Datenströme hinweg ist für Sicherheits- und Einzelhandelsanwendungen unerlässlich. Dazu gehört die mehrfache Identifizierung einer bestimmten Person, entweder an einem bestimmten Ort im Laufe der Zeit oder entlang einer Strecke zwischen mehreren Orten. Diese Beispielanwendung demonstriert das Umschalten von NN-Modellen, sowohl der YOLOv5s als auch der repvgg_a0_person_reid Deep-Learning-Modelle, die auf dem Datensatz von Hailo trainiert wurden, in einer komplexen Pipeline mit inferenzbasierter Entscheidungsfindung. Dies wird durch den Modell-Scheduler erreicht, ein automatisches Werkzeug für den Modellwechsel, das die gleichzeitige Verarbeitung mehrerer Modelle zur Laufzeit ermöglicht.

Schätzt die Tiefen- oder Entfernungsinformationen aus einem gegebenen 2D-Bild oder -Video, um eine Wahrnehmung der dreidimensionalen Struktur zu ermöglichen

Die Tiefenschätzung aus einem einzigen Bild wird durch die Fähigkeit erreicht, die Tiefen- oder Entfernungsinformationen aus 2D-Bildern zu schätzen und sie in eine 3D-Zuordnung umzuwandeln. Sie ermöglicht es Automobilkameras, die Entfernung zu Objekten besser zu erkennen, hilft industriellen Inspektionskameras bei Aufgaben wie Fehlererkennung und Qualitätskontrolle und kann die Genauigkeit der Personenerkennung bei Sicherheitskameras durch den Nachweis detaillierterer räumlicher Informationen verbessern.

In diesem Beispiel verwenden wir das Deep-Learning-Modell fast_depth, das auf dem NYUv2-Datensatz trainiert wurde und eine Abstandsmatrix (unterschiedliche Tiefe für jedes Pixel) mit der gleichen Form des Eingabebildes vorhersagt.

Verstehen und Analysieren menschlicher Aktivitäten oder Erkennen und Verfolgen verdächtiger oder abnormaler menschlicher Haltungen oder Bewegungen

Bei der Posenschätzung handelt es sich um eine Computer-Vision-Technologie, die menschliche Körperhaltungen in Bildern oder Videos erkennt und verfolgt. Von der Erkennung von Notsituationen zu Hause oder in der Fabrikhalle bis hin zur Analyse des Kundenverhaltens für bessere Geschäftsergebnisse. Dabei werden die verschiedenen Teile des menschlichen Körpers wie Kopf, Schultern, Arme, Beine und Rumpf lokalisiert und ihre Positionen und Ausrichtungen in einem 3D-Raum geschätzt. Diese Pipeline umfasst eine Kombination von Centerpose-Modellen, die mit dem COCO-Datensatz trainiert wurden.

Ermöglicht es, bestimmte Bereiche eines Bildes detaillierter zu untersuchen, ohne die Auflösung zu beeinträchtigen

Um die Verarbeitungsleistung von Hailo-Geräten für große Eingabeauflösungen zu verbessern, können wir ein Eingabebild in mehrere Kacheln aufteilen und einen Objektdetektor auf jeder Kachel einzeln ausführen. Nehmen wir zum Beispiel ein Objekt, das 10×10 Pixel in einem 4K-Eingabebild einnimmt. Dieses Objekt enthält nur 1 Pixel an Informationen für einen 640×640-Detektor wie YOLOv5m, wodurch es fast unmöglich ist, es zu erkennen. Um diese Herausforderung zu meistern, verwenden wir Kacheln, um das Eingabebild in kleinere Bereiche zu unterteilen und das Objekt in jeder Kachel zu erkennen, ohne dass Informationen aufgrund von Größenänderungen verloren gehen. Die Kacheln sind durch blaue Rechtecke gekennzeichnet, und wir verwenden ein vortrainiertes SSD-MobileNet-v1-Modell, das mit dem VisDrone-Datensatz trainiert wurde.