百度EasyDL 物体检测模型实践(转)
参考网址:快速上手百度大脑EasyDL专业版·物体检测模型(附代码)_JKX_geek的博客-CSDN博客
. 简介:
1.1. 什么是EasyDL专业版
EasyDL专业版是EasyDL在2019年10月下旬全新推出的针对AI初学者或者AI专业工程师的企业用户及开发者推出的AI模型训练与服务平台,目前支持视觉及自然语言处理两大技术方向,内置百度海量数据训练的预训练模型,可灵活脚本调参,只需少量数据可达到优模型效果。
适用人群:
专业AI工程师且追求灵活、深度调参的企业或个人开发者
支持定制模型类型。
1.2. 支持视觉及自然语言处理两大技术方向:
视觉:支持图像分类及物体检测两类模型训练。
任务类型: 预置算法
图像分类: Resnet(50,101)、Se_Resnext(50,101)、Mobilenet Nasnet
物体检测: FasterRCNN、YoloV3、mobilenetSSD
自然语言处理:支持文本分类及短文本匹配两类模型训练,内置百度百亿级数据所训练出的预训练模型ENNIE.
ERNIE(艾尼)是百度自研持续学习语义理解框架,该框架可持续学习海量数据中的知识。基于该框架的ERNIE2.0预训练模型,已累计学习10亿多知识,中英文效果全面领先,适用于各类NLP应用场景。
任务类型 :预置网络
文本分类: BOW、CNN、GRU、TextCNN、LSTM、BiLSTM
短文本匹配:SimNet(BOW、CNN、GRU、LSTM)、FC
1.3. EasyDL专业版特点
预置百度百亿级数据规模的预训练模型,包括丰富的视觉模型及自然语言处理模型ERNIE,训练效果更突出。
对比经典版,支持代码级调整模型参数和模型结构,封装底层算法逻辑细节,代码行数更少,更易有算法基础的开发者上手。
支持从数据管理,模型训练到模型部署一站式AI服务。
如果说EasyDL经典版是倚天剑,PaddlePaddle是屠龙刀,那么EasyDL专业版就是刀剑合璧。
2. 评测案例
该应用为一个特种车辆识别的应用,主要识别邮车和消防车,未来可以扩展加入更多的车辆种类,对于特种车辆管理有很好的应用价值。
2.1. 整体说明
EasyDL专业版的工作流程如下图所示:
EasyDL专业版的主界面如下图所示:
2.2. 业务需求:
需要对各种特种车辆进行识别,在本评测中为邮车、消防车两种。
2.3. 上传并标注数据:
首先需要建立特种车辆数据集,在主界面上点击“数据管理/标注”就可以进入数据管理界面,具体步骤如下:
1.设计标签
在上传之前确定想要识别哪几种物体,并上传含有这些物体的图片。每个标签对应想要在图片中识别出的一种物体。在本例中只有2个标签,就是邮车(标签:youche)和消防车(标签:xiaofang)。
例如:
2.准备图片
基于设计好的标签准备图片:
每种要识别的物体在所有图片中出现的数量最好大于50
如果某些标签的图片具有相似性,需要增加更多图片
一个模型的图片总量限制4张~10万张
图片格式要求:
• 目前支持图片类型为png、jpg、bmp、jpeg,图片大小限制在4M以内
• 图片长宽比在3:1以内,其中最长边小于4096px,最短边大于30px
图片内容要求:
• 训练图片和实际场景要识别的图片拍摄环境一致,举例:如果实际要识别的图片是摄像头俯拍的,那训练图片就不能用网上下载的目标正面图片。
• 每个标签的图片需要覆盖实际场景里面的可能性,如拍照角度、光线明暗的变化,训练集覆盖的场景越多,模型的泛化能力越强。
本例中从网上找了30多张不同角度的特种车辆图片。(因为是测试版,所以图片较少,实际应用的时候每种标签的图片不应少于50)
3. 上传和标注图片
先在【创建数据集】页面创建数据集:
如果训练数据需要多人分工标注,可以创建多个数据集。将训练数据分批上传到这些数据集后,再将数据集"共享"给自己的小伙伴,同步进行标注。
再进入【数据标注/上传】:
1、选择数据集
2、上传已准备好的图片
3、在标注区域内进行标注
首先在标注框上方找到工具栏,点击标注按钮在图片中拖动画框,圈出要识别的目标。
如下图所示:
然后在右侧的标签栏中,增加新标签,或选择已有标签
2.4. 创建项目和任务
在主界面点击“全部训练任务”即可进入项目界面:
点击新建项目,填写相关信息信息,即可创建项目。
在本次评测中我们使用物体检测。
创建项目后在新建的项目内选择创建任务,以建立一个新的任务:
按要求输入信息,数据集及验证集选择我们上一步建立的数据集youche和youchevalid。
网络方面,因为我们这次主要是对位置进行确认,对BoundingBox要求不高,所以先选用YOLO。
大家看脚本编辑框里面的内容可以发现就是采用PaddlePaddle实现模型功能的Python代码。点击脚本编辑框里面的立即编辑按钮可以对生成的脚本进行编辑,方便进行客户化的定制。
选择保存就可以将任务保存。
2.5. 训练模型
在任务界面中点击提交训练任务,就可以开始训练模型,因为我们这次准备的数据不多,所以有一个提示,点击继续训练就好:
运行开始后可以看到本任务的状态为运行中:
可以点击日志,查看运行情况:
训练时间与数据量大小有关,1000张图片可能需要几个小时训练,不过本评测案例因为只有不到40张图,所以速度很快。运行成功有界面如图:
2.6. 校验模型效果
可通过模型评估报告或模型校验了解模型效果:
选择一张测试图:
感觉效果还可以,虽然BoundingBox有点偏差,不过主要是因为训练集太小以及采用了追求速度的YOLO算法。如果增加训练集以及采用FastRCNN会有不小的提升。
还可以选择“模型效果”查看模型信息:
2.7. 模型部署
为了应用模型,需要对模型进行部署,点击“部署”按钮进入部署界面:
本次选择公有云部署,录入相关的信息,发布模型生成在线API:
发布后的服务,可以在“我的服务”中进行查看,修改:
2.8. 接口赋权
在正式使用之前,还需要做的一项工作为接口赋权,需要登录EasyDL控制台中创建一个应用,获得由一串数字组成的appid,然后就可以参考接口文档正式使用了
也可以直接点击服务界面的"立即使用"进入赋权界面:
3. 测试不同算法:
现在物体检测支持 FasterRCNN、YoloV3、mobilenetSSD,三种算法。我们在第2章使用的是YoloV3,在本章我们将对其他两种算法建立不同版本的服务,并互相进行对比。
3.1. 算法简介:
目标检测可以理解为是物体识别和物体定位的综合,不仅仅要识别出物体属于哪个分类,更重要的是得到物体在图片中的具体位置。因为具体算法内容很长,在这里只能进行一个简单的说明。
为了完成这两个任务,目标检测模型分为两类。一类是two-stage,将物体识别和物体定位分为两个步骤,分别完成,这一类的典型代表是R-CNN, fast R-CNN, faster-RCNN家族。他们识别错误率低,漏识别率也较低,但速度较慢,不能满足实时检测场景。为了解决这一问题,另一类方式出现了,称为one-stage, 典型代表是Yolo, YoloV2, YoloV3等。他们识别速度很快,可以达到实时性要求,而且准确率也基本能达到faster R-CNN的水平。
Faster R-CNN准确率mAP较高,漏检率recall较低,但速度较慢。而yolo则相反,速度快,但准确率和漏检率不尽人意。SSD综合了他们的优缺点。它的贡献在于它利用了多层网络特征,而不仅仅是FC7。
3.2. V2版(Fast RCNN):
在任务界面选择新建任务:
具体操作参考第2章的内容即可,区别在于网络选择Faster_R-CNN-ResNet50-FPN。训练后的模型效果如下所示:
可以发现在评测集上,FasterRCNN算法的效果很好,让我们验证一下具体的效果。选择与V1版一样的图片进行验证,效果如下:
可以看到,效果的确比YOLOV3的效果要好一些,圈取的内容更加准确。
3.3. V3版(SSD):
具体操作参考第2章的内容即可,区别在于网络选择SSD。训练后的模型效果如下所示:
选择与V1版一样的图片进行验证,效果如下:
4. 应用评测及结论
4.1. 评测代码
按照服务API的说明,针对V1版(YOLOV3)的服务,编写调用代码(Python3)。需要注意的是与其他图像识别服务不同的是定制化图像识别服务以json方式请求。
Body请求示例:
{
“image”: “”
}
具体代码如下:
import urllib
import base64
import json
import time
import urllib3
#获取token
def get_token():
host = 'https://aip.baidubce.com/oauth/2.0/token?grant_type=client_credentials&client_id=' + client_id + '&client_secret=' + client_secret
request = urllib.request.Request(host)
request.add_header('Content-Type', 'application/json; charset=UTF-8')
response = urllib.request.urlopen(request)
token_content = response.read()
#print (token_content)
if token_content:
token_info = json.loads(token_content)
token_key = token_info['access_token']
return token_key
#保存图片
def save_base_image(img_str,filename):
img_data = base64.b64decode(img_str)
with open(filename, 'wb') as f:
f.write(img_data)
#画识别结果
def draw_result(originfilename,results,resultfilename,fontsize):
from PIL import Image, ImageDraw,ImageFont
image_origin = Image.open(originfilename)
draw =ImageDraw.Draw(image_origin)
setFont = ImageFont.truetype('C:/windows/fonts/simhei.ttf', fontsize)
for result in results:
location=result['location']
draw.rectangle((location['left'],location['top'],location['left']+location['width'],location['top']+location['height']),outline = "red")
draw.text((location['left'],location['top']), result['name']+', Score:'+str(round(result['score'],3)),"blue",font=setFont)
image_origin.save(resultfilename, "JPEG")
def specialcar(filename,resultfilename,fontsize):
url = "https://aip.baidubce.com/rpc/2.0/ai_custom_pro/v1/detection/specialcar"
# 二进制方式打开图片文件
f = open(filename, 'rb')
img = base64.b64encode(f.read())
access_token = get_token()
url=url+'?access_token='+access_token
begin = time.perf_counter()
#img参数进行一下str转换
params={'image':''+str(img,'utf-8')+''}
#对参数params数据进行json处理
encoded_data = json.dumps(params).encode('utf-8')
request=urllib3.PoolManager().request('POST',
url,
body=encoded_data,
headers={'Content-Type':'application/json'})
#对返回的byte字节进行处理。Python3输出位串,而不是可读的字符串,需要进行转换
content = str(request.data,'utf-8')
end = time.perf_counter()
print('处理时长:'+'%.2f'%(end-begin)+'秒')
if content:
#print(content)
data = json.loads(content)
#print(data)
results=data['results']
print(results)
draw_result(filename,results,resultfilename,fontsize)
4.2 测试结果:
首先是消防车及识别结果::
邮车及识别结果:
速度非常快,效果也很不错,虽然BoundingBox有点偏差,不过主要是因为训练集太小以及采用了追求速度的YOLO算法。如果增加训练集以及采用FasterRCNN会有不小的提升。
4.3. 评测结论
EasyDL专业版定会是深度学习开发者非常喜欢的一个功能,它将EasyDL图形开发的易用性及编程的灵活性结合在一起。在提供了很多便利的同时,又将控制权交给了客户,让客户可以更加灵活的使用深度学习技术,激发无限可能,感觉非常棒。后续我准备增加训练集再试一下,看看能提高多少,然后再尝试一下离线部署成Docker的效果,建议大家都试一下。
4.4. 评测后的优化建议:
希望百度后续能增加更多的模型,比如Mask RCNN等;
希望能支持不规则形状的BoundingBox。
希望后续增加数据导入导出功能
百度EasyDL 物体检测模型实践(转)相关推荐
- 百度EasyDL物体检测在安卓上测试
EasyDL:EasyDL定制化模型 1.创建模型. 2.创建数据集,上传图片. 3.标注图片 . 4.训练数据 5.发布模型 6.APP部署测试 7.APP上测试
- 百度识图API教程二:EasyDL物体检测的使用
前面有个调用百度其他图像识别API的教程 缺点很多 只能识别单个物体 多物体识别准确率低 造成这个问题的原因也可以很简单的想到 模型的问题 不同的的背景 不同的角度 不同的高度 不同的光源 不同的大小 ...
- 初探机器学习之使用百度EasyDL定制化模型
一.Why 定制化模型 一般来说,各大云服务厂商只会提供一些最常见通用的AI服务,针对具体场景的AI应用则需要在云服务厂商提供的服务之上进行定制.例如,通常的图像识别只能做到分析照片的主题内容,而我的 ...
- 详解3D物体检测模型: Voxel Transformer for 3D Object Detection
本文介绍一个新的的3D物体检测模型:VoTr,论文已收录于ICCV 2021. 这是第一篇使用 voxel-based Transformer 做3D 主干网络,用于点云数据3D物体检测.由于有限的感 ...
- 百面深度学习 | 第八期:物体检测模型的发展概况
"百面深度学习"系列连载 第八期 物体检测模型的发展概况 引言 物体检测问题是计算机视觉中极为重要的基础问题,也是解决场景理解.图像描述(Image Captioning).实例分 ...
- 详解3D物体检测模型 SPG: Unsupervised Domain Adaptation for 3D Object Detection via Semantic Point Generation
本文对基于激光雷达的无监督域自适应3D物体检测进行了研究,论文已收录于 ICCV2021. 在Waymo Domain Adaptation dataset上,作者发现点云质量的下降是3D物件检测器性 ...
- 基于appinventor与EasyDL物体检测API的物体检测app
相关学习网址 Base64编码及其在AppInventor中的应用 APPInventor安卓应用开发AI图像识别简单应用 nventor基础 appinventor自定义插件 *这个简单的能够实现, ...
- EasyDL物体检测数据转为VOC数据集
在进行物体检测任务的时候,数据标注是比较麻烦的,而是用EasyDL可以只标注30%的数据,再使用智能标注来高效的标注.但是EasyDL标注完的数据不方便拿出来,而且保存的JSON不方便进行使用,所以可 ...
- 3DSSD:基于点云的single-stage物体检测模型 | CVPR2020
点击上方"3D视觉工坊",选择"星标" 干货第一时间送达 前言 这是一篇来自CVPR2020的研究工作,于2020/4/9日开源,如下图所示,目前被接收的文章有 ...
最新文章
- a-awk外部变量传入,内部变量传出,同时过滤空格及其他字符
- SQL删除重复数据方法
- referer 访问控制
- php 可以做pc客户端吗,vue.js能做pc端吗
- 1269: GPA-一题简单英文题~
- JavaScript将字符串中的每一个单词的第一个字母变为大写其余均为小写
- 华为GaussDB相比PostgreSQL做了哪些内核优化?
- pandas表字段为空用其余表替换
- 关于回车自动跳转的问题,能不能有选择的跳转??
- 服务器安装黑苹果系统,黑苹果 单系统安装教程
- java mission control_Java Mission Control之使用
- IDEA如何快速切换项目(快捷键切换)
- Oracle 只读表空间 说明
- 互联网券商线上开户系统设计与开发技术分享
- [POI2005][luogu3462] SZA-Template [fail树]
- [转载]拥抱Jini:从Starter Kit 2.0开始(第二部分)
- C# winform中打开网页的方法
- 软件测试需要学习些什么技能
- 神舟 mini pc Android,Mini PC的原形就是笔记本,神舟四核Mini PC解析 _手机资讯
- ERP服务器性能改善,ERP系统的性能优化及其实现