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 ...

百度EasyDL 物体检测模型实践（转）

百度EasyDL 物体检测模型实践（转）相关推荐

最新文章

热门文章