AI 算法 | 睡岗识别冠军方案解读（姿态估计）

赛题分析

赛题描述

本赛题来自极市平台算法赛道睡岗识别赛题。

背景描述：为防止因值班人员睡岗行为引发安全隐患的情况发生，识别出值班人员睡岗情况并给予处理。

算法目标：识别出趴着或者躺着睡觉的值班人员并产生告警。

数据集分析

• 根据人的姿态设定了如下 6 个类别：

(1) 站着的人 stand

(2) 坐着的人 sit

(3) 蹲着的人 crouch

(4) 趴着睡的人（趴在桌子、台子上） prostrate_sleep

(5) 坐着睡的人 sit_sleep

(6) 躺着睡的人（身体横着的） lie_sleep

• 人体骨胳点标签

一共 17 个关键点，如下图所示：

• 数据集的尺寸和类别统计信息

评测标准

算法方案

算法选型

从赛题分析来看，该任务属于目标检测+姿态估计。这两个任务之间没有特别强的关联性，可以采用两个模型同时对图像进行分析，但是缺点是对资源占用较高。当然也可以通过单个模型算法实现，例如 YOLOv8-pose，这样能够减小算法对资源的占用。出于对资源和性能的考虑，笔者选取了 YOLOv8-pose 作为方案的 baseline。

YOLOv8 是 ultralytics 公司在 2023 年 1 月 10 号开源的 ，目前支持图像分类、物体检测、实例分割和姿态估计任务，是一个 SOTA 模型。

训练策略

• 采用 YOLOv8m-pose 模型

• 调整训练类别

  去掉 crouch 的类别，合并到 sit 类别

• 灵活的训练策略

  第一阶段，随机数种子 1，采用 YOLOv8m-pose 预训练模型，训练集 ：验证集 = 4 ：1，使用强数据增强

  第二阶段，随机数种子 2，采用第一阶段的模型作为预训练模型，训练集 ：验证集 = 4 ：1， 采用弱数据增强，低学习率

  第三阶段，随机数种子 3，采用第二阶段的模型作为预训练模型，训练集 ：验证集 = 1 : 3，关闭数据增强，低学习率

部署方案

算法部署采用的是 uYOLODeploy，该部署工具是笔者团队自研，具有如下特点：

uYOLODeploy 使用简单，部署迅速，下面是应用示例：

arduino 代码解读复制代码#include <iostream>\#include "uyolo_deploy.h"\\// Detector\auto mDetector = std::make_shared<Detector>();\\// Init\mDetector->Init("model file path");\mDetector->UpdateLabelsNames("coco.names");\mDetector->UpdateThresh(confThresh, nmsThresh);\\// Process\for (;;)\{\...\mDetector->ProcessImage(inMat);\// handle results ...\mDetector->detectResults;\}

测试结果

领取60+CV竞赛冠军方案

总结

1、 数据分析对于训练模型至关重要。

2、 针对算法精度和性能两者取舍来说，可先实验网络大小和输入图片大小对模型结果的影响，不同任务和不同数据情况，两者相差较大。所以不能一味为了提高速度，单纯压缩网络大小；

3、 针对性能要求时，可采用 TensorRT 等方式部署模型，也可采用模型压缩等方式，这样可在保证速度的前提下，使用较大网络，提升模型精度。

1500+视觉算法/算法开发-训练-推理平台/大模型及Agent开发合作/赛会合作等。

精选简历模板、面试技巧和人工智能领域岗位介绍，为求职规划做好准备。