---
title: head_detection_lxy
canonical_url: "https://www.modelscope.cn/models/Liberty2023/head_detection_lxy"
md_url: "https://www.modelscope.cn/models/Liberty2023/head_detection_lxy.md"
repository: Liberty2023/head_detection_lxy
last_updated: 2023-12-08
license: "Apache License 2.0"
pipeline_tag: domain-specific-object-detection
tasks:
  - domain-specific-object-detection
  - head-detection
model_type:
  - tinynas-damoyolo
library_name:
  - pytorch
frameworks:
  - pytorch
domain:
  - cv
downloads: 181
stars: 3
tags:
  - DAMO-YOLO
  - "real-time head detection"
  - "实时人头/头部检测"
  - "热门应用系列检测模型"
---

# head_detection_lxy

> head_detection_lxy - Liberty2023 在 ModelScope 开源的模型。本模型为高性能热门应用系列检测模型中的 实时人头检测模型 ，基于面向工业落地的高性能检测框架DAMOYOLO，其精度和速度超越当前经典的YOLO系列方法。用户使用的时候，仅需要输入一张图像，便可以获得图像中所有人头的坐标信息，并可用于行人计数等后续应用场景。

Liberty2023/head_detection_lxy 是 ModelScope 魔搭社区上的domain-specific-object-detection、head-detection模型，采用 Apache License 2.0 许可。

- **Repository**: Liberty2023/head_detection_lxy
- **License**: Apache License 2.0
- **Tasks**: domain-specific-object-detection, head-detection
- **Tags**: DAMO-YOLO, real-time head detection, 实时人头/头部检测, 热门应用系列检测模型
- **Downloads**: 181
- **Stars**: 3
- **Last updated**: 2023-12-08

Source: https://www.modelscope.cn/models/Liberty2023/head_detection_lxy

---

<!--- 以下model card模型说明部分，请使用中文提供（除了代码，bibtex等部分） --->

# 实时人头检测-通用 模型介绍
<div align="center"><img src="assets/results.png" width="2000"></div>

本模型为**高性能热门应用系列检测模型**中的 <u>实时人头检测模型</u>，基于面向工业落地的高性能检测框架[DAMOYOLO](https://modelscope.cn/models/damo/cv_tinynas_object-detection_damoyolo/summary)，其精度和速度超越当前经典的YOLO系列方法。用户使用的时候，仅需要输入一张图像，便可以获得图像中所有人头的坐标信息，并可用于行人计数等后续应用场景。


## 相关模型

以下是ModelScope上所有的热门应用检测模型（垂类目标检测模型）：

| 序号 | 模型名称 |
| ------------ | ------------ |
| 1 | [实时人体检测模型](https://modelscope.cn/models/damo/cv_tinynas_human-detection_damoyolo/summary) |
| 2 | [实时口罩检测模型](https://modelscope.cn/models/damo/cv_tinynas_object-detection_damoyolo_facemask/summary) |
| 3 | [实时安全帽检测模型](https://modelscope.cn/models/damo/cv_tinynas_object-detection_damoyolo_safety-helmet/summary) |
| 4 | [实时香烟检测模型](https://modelscope.cn/models/damo/cv_tinynas_object-detection_damoyolo_cigarette/summary) |
| 5 | Coming soon |


## 模型描述
本模型为实时人头检测模型，基于检测框架[DAMOYOLO-S模型](https://modelscope.cn/models/damo/cv_tinynas_object-detection_damoyolo/summary)，DAMO-YOLO是一个面向工业落地的目标检测框架，兼顾模型速度与精度，其训练的模型效果超越了目前的一众YOLO系列方法，并且仍然保持极高的推理速度。DAMOYOLO与YOLO系列其它经典工作的性能对比如下图所示：

<div align="center"><img src="assets/DAMOYOLO_performance.jpg" width="500"></div>

DAMOYOLO整体网络结构如下，整体由backbone (MAE-NAS), neck (GFPN), head (ZeroHead)三部分组成，基于"large neck, small head"的设计思想，对低层空间信息和高层语义信息进行更加充分的融合，从而提升模型最终的检测效果。

<div align="center"><img src="assets/DAMOYOLO_architecture.jpg" width="2000"></div>


## 期望模型使用方式以及适用范围
该模型适用于人头检测，输入任意的图像，输出图像中人头的位置信息。

| 类别ID | 类别名称 |
| ------------ | ------------ |
| 1 | head |

### 如何使用
在ModelScope框架上，提供输入图片，即可以通过简单的Pipeline调用使用当前模型，得到图像中所有人头的外接矩形框信息。

#### 代码范例
基础示例代码。下面的示例代码展示的是如何通过一张图片作为输入，得到图片对应的人头检测结果。
```python
from modelscope.pipelines import pipeline
from modelscope.utils.constant import Tasks

model_id = 'damo/cv_tinynas_head-detection_damoyolo'
input_location = 'https://modelscope.oss-cn-beijing.aliyuncs.com/test/images/image_detection.jpg'

head_detection = pipeline(Tasks.head_detection, model=model_id)
result = head_detection(input_location)
print("result is : ", result)
```

## 训练数据介绍
本模型是基于以下数据集训练得到：

- [Safety Helmet Wearing Dataset (SHWD)人头数据](https://github.com/njvisionpower/Safety-Helmet-Wearing-Dataset)；
- 内部积累以及互联网爬取的相关人头数据。

## 数据评估及结果
模型在SHWD的验证集上客观指标如下：

| Method | AP@0.5 | Latency(ms)<br>T4-TRT-FP16| FLOPs (G)| Parameters (M)|
| ------------ | ------------ | ------------ | ------------ | ------------ |
| **DAMO-YOLO-S** | 0.934 | 3.83 | 37.8 | 16.3  |

### 相关论文以及引用信息
本模型主要参考论文如下（论文链接：[link](https://arxiv.org/abs/2211.15444)）：

```BibTeX
 @article{damoyolo,
  title={DAMO-YOLO: A Report on Real-Time Object Detection Design},
  author={Xianzhe Xu, Yiqi Jiang, Weihua Chen, Yilun Huang, Yuan Zhang and Xiuyu Sun},
  journal={arXiv preprint arXiv:2211.15444v2},
  year={2022}
}
```