关于人工智能:高精度轻量级目标检测产业应用实现多类通信塔识别

5次阅读

共计 1901 个字符，预计需要花费 5 分钟才能阅读完成。

在日常生活中，各种即时通讯早已是不可分割的一部分，而这一便捷服务的实现离不开各种通信塔。通信塔，次要用于运营商、广播电视等部门架设信号发射天线或微波传输设施。

目前，全国曾经领有百万座通信塔，不同类别的通信塔，其保护形式和经营策略均不雷同，因而为了保障无线通信零碎的失常运行，用 AI 技术实时精确地辨认通信塔并采取保护措施极其重要。

但在实在的产业中，通信塔处于露天环境，四周烦扰信息较多；局部类别的通信塔外观类似度很高，如下图；下雨、下雪、强光、阴天等环境，对于通信塔的高精度辨认都具备重大影响。

高效精确的塔型辨认关乎国家每年高达数亿元的支出与收入，那如何对通信塔进行精确地实时辨认呢？

飞桨产业实际范例库开源通信塔辨认场景利用，提供了从数据筹备、技术计划、模型训练优化，到模型部署的全流程，无效解决了户外简单环境下高精度指标检测的问题，对于高长宽比指标物、高实时性要求的场景有很好的参考意义，比方城市治理中的建筑物检测。

⭐我的项目链接⭐https://github.com/PaddlePaddle/awesome-DeepLearning 所有源码及教程均已开源欢送大家 star 激励~

我的项目难点

数据方面，局部类别塔身外观类似度高、露天环境烦扰信息多，易导致误检；
模型方面，指标检测模型泛滥，如何疾速抉择最符合场景的优良算法？
部署方面，想要便携又易用，手机端的高效部署如何实现？

我的项目计划

基于上述难点，咱们与中国铁塔股份有限公司就通信塔辨认我的项目发展了单干研发。通过屡次业务场景探讨和模型成果验证，最终选用飞桨指标检测开发套件 PaddleDetection 中的 PP-PicoDet 模型进行训练与优化。

计划优化：

在优化方面，尝试了以下模型优化策略：迁徙学习(预训练模型)、批改 Loss、学习率、量化训练，下表具体展现了不同的试验后果(在麒麟 980 挪动端测试速度)：

计划	模型	推理工夫 /ms	mAP0.5
1	PP-PicoDet(Baseline)	–	90.6%
2	PP-PicoDet+COCO 预训练	125	94.7%
3	PP-PicoDet+COCO 预训练 + 批改 loss	–	94.5%
4	PP-PicoDet+COCO 预训练 + 调小 lr	–	94.7%
5	PP-PicoDet+COCO 预训练 + 批改 lr 再训练	–	94.9%
6	PP-PicoDet+COCO 预训练 + 量化	78	94.5%

我的项目成果：

依据试验后果，咱们 举荐计划 6 应用 PP-PicoDet+COCO 预训练模型 + 量化训练的模型，mAP 达到 94.5% 的同时，预测速度可晋升至 78ms，实现了速度与精度的均衡。

另外，咱们发现其余优化策略简直没有晋升精度，这是因为 PP-PicoDet 网络自身曾经蕴含了目前失去验证的最优策略，如自研的轻量级骨干网络、激活函数、高效数据加强等，曾经达到了目前开源模型的最优性能，因而很难再仅通过叠加策略大幅晋升模型精度。具体的模型调优思路，欢送大家锁定直播！

部署计划：

在模型部署上，PaddleDetection 反对飞桨轻量化推理引擎 PaddleLite，能够轻松实现高性能端侧部署。同时也反对 ONNX 转出，适配 MNN/NCNN/OpenVINO 等预测库。不仅如此，咱们还提供了齐备的 Android 部署计划和 demo，不便开发者可能参考疾速进行端侧成果验证。

产业实际范例教程助力企业逾越 AI 落地鸿沟

飞桨产业实际范例，致力于减速 AI 在产业落地的后退门路，缩小实践技术与产业利用的差距。范例来源于产业实在业务场景，通过残缺的代码实现，提供从数据筹备到模型部署的计划过程解析，堪称产业落地的“主动导航”。