数据来源及版权归属：天覆科技，感谢提供并开源实际场景数据，仅限学术研究使用
行为识别在智慧社区，安防监控等方向具有广泛应用。根据行为的不同，一些行为可以通过图像直接进行行为判断（例如打电话）。这里我们提供了基于图像分类的打电话行为识别模型，对人物图像进行是否打电话的二分类识别。
| 任务 | 算法 | 精度 | 预测速度(ms) | 模型权重 |
|---|---|---|---|---|
| 打电话行为识别 | PP-HGNet-tiny | 准确率: 86.85 | 单人 2.94ms | 下载链接 |
注：
- 该模型使用UAV-Human的打电话行为部分进行训练和测试。
- 预测速度为NVIDIA T4 机器上使用TensorRT FP16时的速度, 速度包含数据预处理、模型预测、后处理全流程。
该模型为实时行人分析工具PP-Human中行为识别功能的一部分，欢迎体验PP-Human的完整功能。
请根据环境准备完成PaddleClas的环境依赖准备。
打电话的行为识别是基于公开数据集UAV-Human进行训练的。请通过该链接填写相关数据集申请材料后获取下载链接。
在UAVHuman/ActionRecognition/RGBVideos路径下包含了该数据集中RGB视频数据集，每个视频的文件名即为其标注信息。
根据视频文件名，其中与行为识别相关的为A相关的字段（即action），我们可以找到期望识别的动作类型数据。
- 正样本视频：以打电话为例，我们只需找到包含
A024的文件。 - 负样本视频：除目标动作以外所有的视频。
鉴于视频数据转化为图像会有较多冗余，对于正样本视频，我们间隔8帧进行采样，并使用行人检测模型处理为半身图像（取检测框的上半部分，即img = img[:H/2, :, :])。正样本视频中的采样得到的图像即视为正样本，负样本视频中采样得到的图像即为负样本。
注意: 正样本视频中并不完全符合打电话这一动作，在视频开头结尾部分会出现部分冗余动作，需要移除。
根据PaddleClas数据集格式说明，标注文件样例如下，其中0,1分别是图片对应所属的类别：
# 每一行采用"空格"分隔图像路径与标注
train/000001.jpg 0
train/000002.jpg 0
train/000003.jpg 1
...
此外，标签文件phone_label_list.txt，帮助将分类序号映射到具体的类型名称：
0 make_a_phone_call # 类型0
1 normal # 类型1
完成上述内容后，放置于dataset目录下，文件结构如下：
data/
├── images # 放置所有图片
├── phone_label_list.txt # 标签文件
├── phone_train_list.txt # 训练列表，包含图片及其对应类型
└── phone_val_list.txt # 测试列表，包含图片及其对应类型
通过如下命令启动训练：
export CUDA_VISIBLE_DEVICES=0,1,2,3
python3 -m paddle.distributed.launch \
--gpus="0,1,2,3" \
tools/train.py \
-c ./ppcls/configs/practical_models/PPHGNet_tiny_calling_halfbody.yaml \
-o Arch.pretrained=True其中 Arch.pretrained 为 True表示使用预训练权重帮助训练。
训练好模型之后，可以通过以下命令实现对模型指标的评估。
python3 tools/eval.py \
-c ./ppcls/configs/practical_models/PPHGNet_tiny_calling_halfbody.yaml \
-o Global.pretrained_model=output/PPHGNet_tiny/best_model其中 -o Global.pretrained_model="output/PPHGNet_tiny/best_model" 指定了当前最佳权重所在的路径，如果指定其他权重，只需替换对应的路径即可。
模型训练完成之后，可以加载训练得到的预训练模型，进行模型预测。在模型库的 tools/infer.py 中提供了完整的示例，只需执行下述命令即可完成模型预测：
python3 tools/infer.py \
-c ./ppcls/configs/practical_models/PPHGNet_tiny_calling_halfbody.yaml \
-o Global.pretrained_model=output/PPHGNet_tiny/best_model
-o Infer.infer_imgs={your test image}Paddle Inference 是飞桨的原生推理库，作用于服务器端和云端，提供高性能的推理能力。相比于直接基于预训练模型进行预测，Paddle Inference可使用 MKLDNN、CUDNN、TensorRT 进行预测加速，从而实现更优的推理性能。更多关于 Paddle Inference 推理引擎的介绍，可以参考 Paddle Inference官网教程。
python3 tools/export_model.py \
-c ./ppcls/configs/practical_models/PPHGNet_tiny_calling_halfbody.yaml \
-o Global.pretrained_model=output/PPHGNet_tiny/best_model \
-o Global.save_inference_dir=deploy/models//PPHGNet_tiny_calling_halfbody/执行完该脚本后会在 deploy/models/ 下生成 PPHGNet_tiny_calling_halfbody 文件夹，文件结构如下：
├── PPHGNet_tiny_calling_halfbody
│ ├── inference.pdiparams
│ ├── inference.pdiparams.info
│ └── inference.pdmodel
在deploy下，执行下列命令：
# Current path is {root of PaddleClas}/deploy
python3 python/predict_cls.py -c configs/inference_cls_based_action.yamlPP-Human是基于飞桨深度学习框架的业界首个开源产业级实时行人分析工具，具有功能丰富，应用广泛和部署高效三大优势。该模型可以应用于PP-Human中，实现实时视频的打电话行为识别功能。
由于当前的PP-Human功能集成在PaddleDetection中，需要按以下步骤实现该模型在PP-Human中的调用适配。
- 完成模型导出
- 重命名模型
cd deploy/models/PPHGNet_tiny_calling_halfbody
mv inference.pdiparams model.pdiparams
mv inference.pdiparams.info model.pdiparams.info
mv inference.pdmodel model.pdmodel- 下载预测配置文件
wget https://bj.bcebos.com/v1/paddledet/models/pipeline/infer_configs/PPHGNet_tiny_calling_halfbody/infer_cfg.yml完成后文件结构如下，即可在PP-Human中使用：
PPHGNet_tiny_calling_halfbody
├── infer_cfg.yml
├── model.pdiparams
├── model.pdiparams.info
└── model.pdmodel
详细请参考基于图像分类的行为识别——打电话识别。