共计 1817 个字符，预计需要花费 5 分钟才能阅读完成。
生鲜批发作为民生生产的重要一环，在促成行业新生产降级的过程中有着至关重要的作用。在超市等无人批发场景中，目前结算形式次要有以下几种：
然而以上几种办法存在如下毛病：
- 条形码形式：对于成品包装的商品较为成熟，但生鲜产品自身“无码可扫”；
- RFID 形式：所需的额定费用难以长期承当；
- 生鲜称重形式：对于雷同种类不同单价的商品无奈很好辨别，须要人工分别商品种类，效率较低。
因而，抉择一种既能大规模反对各种商品辨认，又能方便管理，同时保护老本不高的识别系统，显得尤为重要。
针对以上的行业需要，飞桨联结 Intel 提供了一套基于飞桨图像分类开发套件 PaddleClas 和 OpenVINO™工具套件的生鲜与批发商品识别系统，满足商品辨认场景须要兼顾扩展性的要求。在此计划中，只需训练一套模型，在后续应用过程中，无需频繁从新训练模型， 仅须要在检索库中，配置大量有代表性的新增产品图像，就可能很好地解决新增商品问题，同时也无需增加辅助设施，极大升高了保护及应用老本。
我的项目链接
https://aistudio.baidu.com/projectdetail/6649316
本我的项目中，飞桨联结 Intel 建设了生鲜与批发商品识别系统产业实际范例，基于 PP-ShiTuV2 Pipeline 详解模型训练，新品种入库，以及如何基于 Intel OpenVINO™疾速部署，优化 CPU 推理工作性能，极致利用 Intel x86 硬件资源。
场景难度
- 物体形态千差万别，如何找到待检测的商品？
- 商品及生鲜品种繁多，如何精确辨认对应品种？
- 应用过程中，商品及生鲜品类迭代速度快，如何缩小模型更新老本？
方案设计
如图所示，针对以上问题，咱们应用图中的 Pipeline 以解决上述问题。整个 Pipeline 中，次要分为三局部：
主体检测
检测出待辨认的商品，去掉冗余的背景信息，进步生鲜品辨认的精度；
特征提取
将待辨认的生鲜品图像进行提取特色；
检索模块
将待检索的特色与库中的生鲜品特色比对，失去待检索生鲜品的标签。
模型优化策略和成果
主体检测
主题检测是目前利用十分宽泛的一种检测技术，它指的是检测出图片中一个或者多个主体的坐标地位，而后将图像中的对应区域裁剪下来进行辨认。主体检测是辨认工作的前序步骤，输出图像通过主体检测后再进行辨认，能够过滤简单背景，无效晋升辨认精度。思考到检测速度、模型大小、检测精度等因素，最终抉择 PaddleDetection 自研的轻量级模型 PicoDet-LCNet_x2_5 作为 PP-ShiTuV2 的主体检测模型，PicoDet 系列模型交融了 ATSS、Generalized Focal Loss、余弦学习率策略、Cycle-EMA、轻量级检测 head 等优化算法，此外为了更好地兼顾检测速度与成果，PicoDet-LCNet_x2_5 将 neck 中的 CSP module 换成了 LCNet module。
特征提取
特征提取是图像识别中的要害一环，它的作用是将输出的图片转化为固定维度的特征向量，用于后续的向量检索。思考到特征提取模型的速度、模型大小、特征提取性能等因素，最终抉择 PaddleClas 自研的 PPLCNetV2_base 作为特征提取网络。PP-LCNetV2 模型是在 PP-LCNetV1 的根底上优化而来，次要应用重参数化策略组合了不同大小卷积核的深度卷积，并优化了点卷积、Shortcut 等。相比 PP-ShiTuV1 所应用的 PPLCNet_x2_5，PPLCNetV2_base 根本放弃了较高的分类精度，并节俭了 40% 的推理工夫。
模型部署
应用 OpenVINO ™作为推理后端， 倍数级晋升工作在 CPU 侧的处理速度。
采纳通用性极高的 x86 的平台作为模型部署设施， 可充分利用并实现多任务负载，无需购买额定的加速卡设施，大大节俭我的项目老本。
本我的项目的最终部署环境为：Intel x86 平台设施。 思考开发便捷性，本次示例应用 python 部署开发环境，该零碎是商品检测、商品特征提取以及商品检索三大工作所构建的 Pipeline，能够实现基于本地数据仓库的轻量化批发商品识别系统。在星河社区也提供了残缺的应用示例与开发阐明，可参考该教程疾速学习，并针对实际我的项目进行开发和集成。
精彩课程预报
为了让小伙伴们更便捷地利用范例教程，OpenVINO™软件开发工程师 Ethan 将于 8 月 31 日（周四）19:00 为大家深度解析从数据筹备、方案设计到模型优化部署的开发全流程，手把手教大家进行代码实际。
