高精度轻量级目标检测产业应用,实现多类通信塔识别
随着科技的发展,各种即时通讯早已是人类日常生活不可分割的一部分,而这一便捷服务的实现离不开各种通信塔。通信塔主要用于运营商、广播电视等部门架设信号发射天线或微波传输设备,对通信塔及时正确地维护是保障无线通信系统正常运行的必要手段。
在真实产业应用过程中,通信塔的外观会根据所处地貌、环境特点被设计成不同形态,比如上图中的仿生树、路灯杆等。不同类别塔的维护方式以及运营策略也均不相同,而传统的通信塔类别信息主要靠人工根据经验进行判断,这就会导致以下问题:
1、人工判断费时费力效率低下;2、塔身外观种类多样,人工判断难免出错;3、类别判断失误导致维修、运营策略不匹配,既耽误工时也影响企业信誉。
高效准确的塔型识别关乎国家每年高达数亿元的收入与支出,那如何利用 AI 技术赋能产业实践,实现智能化识别呢?飞桨产业实践范例库开源通信塔识别场景应用,提供了从数据准备、技术方案、模型训练优化,到模型部署的全流程可复用方案,有效地解决了针对高长宽比目标物,在复杂场景中的准确实时识别问题。⭐项目链接⭐https://github.com/PaddlePaddle/awesome-DeepLearning所有源码及教程均已开源,欢迎大家 star 鼓励~
项目难点
数据方面,部分类别塔身外观相似度高、露天环境干扰信息多,易导致误检;
模型方面,目标检测模型众多,如何快速选择最契合场景的优秀算法?
部署方面,想要便携又易用,手机端的高效部署如何实现?
项目方案
基于上述难点,我们与中国铁塔股份有限公司就通信塔识别项目开展了合作研发。经过多次业务场景讨论和模型效果验证,最终选用飞桨目标检测开发套件 PaddleDetection 中的 PP-PicoDet 模型进行训练与优化。
方案优化:
在优化方面,尝试了以下模型优化策略:迁移学习(预训练模型)、修改 Loss、学习率、量化训练,下表详细展示了不同的实验结果(在麒麟 980 移动端测试速度):
项目效果:
根据实验结果,我们推荐方案 6 使用 PP-PicoDet+COCO 预训练模型+量化训练的模型,mAP 达到 94.5%的同时,预测速度可提升至 78ms,实现了速度与精度的平衡。
另外,我们发现其他优化策略几乎没有提升精度,这是因为 PP-PicoDet 网络本身已经包含了目前得到验证的最优策略,如自研的轻量级骨干网络、激活函数、高效数据增强等,已经达到了目前开源模型的最优性能,因此很难再仅通过叠加策略大幅提升模型精度。具体的模型调优思路,欢迎大家锁定直播!
部署方案:
在模型部署上,PaddleDetection 支持飞桨轻量化推理引擎 PaddleLite,可以轻松实现高性能端侧部署。同时也支持 ONNX 转出,适配 MNN/NCNN/OpenVINO 等预测库。不仅如此,我们还提供了完备的 Android 部署方案和 demo,方便开发者能够参考快速进行端侧效果验证。
产业实践范例教程
助力企业跨越 AI 落地鸿沟
飞桨产业实践范例,致力于加速 AI 在产业落地的前进路径,减少理论技术与产业应用的差距。范例来源于产业真实业务场景,通过完整的代码实现,提供从数据准备到模型部署的方案过程解析,堪称产业落地的“自动导航”。
真实产业场景:与实际具有 AI 应用的企业合作共建,选取企业高频需求的 AI 应用场景如智慧城市-安全帽检测、智能制造-表计读数等;
完整代码实现:提供可一键运行的代码,在“AIStudio 一站式开发平台”上使用免费算力一键 Notebook 运行;
详细过程解析:深度解析从数据准备和处理、模型选择、模型优化和部署的 AI 落地全流程,共享可复用的模型调参和优化经验;
直达项目落地:百度高工手把手教用户进行全流程代码实践,轻松直达项目 POC 阶段。
精彩课程预告
为了让小伙伴们更便捷地应用通信塔识别范例教程,百度高级研发工程师于 3 月 10 日 20:30-21:00 为大家深度解析从数据准备、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践。
欢迎小伙伴们扫码进群,免费获取直播课和回放视频链接,更有机会获得覆盖智慧城市、工业制造、金融、互联网等行业的飞桨产业实践范例手册!也欢迎感兴趣的企业和开发者与我们联系,交流技术探讨合作。
扫码报名直播课,加入技术交流群
评论