一場辦了15年的比賽，爲什麼讓一批又一批年輕開發者如此着迷？

 

一樣的青春，每一個人有着不一樣的經歷。

 

但在被譽爲技術界「奧斯卡」之稱的百度之星大賽上，有一羣年輕人卻有着一樣的故事，不論是身在象牙塔，仍是已位於科研前線，在開發賽道上表現出的技術實力，讓他們閃耀四方。

 

今年百度之星的賽題是打造一款輕量級的目標檢測模型。這也是計算機視覺技術中最基本的任務之一，好比在關鍵點檢測、實例分割等方面都會在此基礎上進行，應用前景十分普遍。

 

「這次比賽不只須要考慮mAP，同時考慮了Madds，兼顧精度與速度的要求。」剛剛結束的2019百度之星開發者大賽中得到第一名的Litchll隊長張鵬鬆這樣看待本次的賽題。因爲兼顧速度與精度，因此模型會很是適合嵌入式設備和手機，在此類設備中達到實時處理。在生活中也有很大的應用前景，好比能夠在手機中部署實現圖片識別、檢測、甚至美顏等；航拍無人機的圖像進行自動跟隨、障礙物識別等。

 

 

張鵬鬆已經參加過兩次飛槳的比賽，飛槳也是越用越順手。

 

他的團隊分工明確：文獻查閱與賽題分析、基礎模型復現和模型總體架構構建及訓練三個部分。在文獻查閱與賽題分析方面，主要的目的是分析賽題，根據評測指標去查閱最新的模型，而且統計下來各論文模型的數據，按照賽題的評分標準去計算論文級別的理論成績，最後從中選取比較好的模型。模型選取以後就要將基礎模型復現，這部分須要從選中的模型裏，按照論文數據或者開放出來的其它框架的代碼，利用飛槳去復現backbone或者總體模型，對於爲backbone的在imagenet上進行預訓練或者從其它框架裏轉換預訓練模型；模型總體架構的構建和訓練是最爲費時的一個，由於其須要負責整個代碼的框架制定訓練策略、數據增廣策略以及各類訓練調參。

 

「本次比賽主很是考驗目標檢測相關知識，好比常見的單階段目標檢測方法：SSD、Yolov三、Centernet等，雙階段目標檢測方法：Faster RCNN、ThunderNet等。」張鵬鬆提及比賽仍很激動，他爲了提升模型的泛化能力還作一些數據增廣，例如旋轉、鏡像、對比度、亮度等。爲了與更多飛槳開發者分享本次百度之星比賽的收穫，他將比賽代碼進行了開源並上傳至AI Studio中。

 

項目地址：

https://aistudio.baidu.com/aistudio/projectDetail/189267

 

01

簡介

 

Single Shot MultiBox Detector (SSD) 是一種單階段的目標檢測器。與兩階段的檢測方法不一樣，單階段目標檢測並不進行區域推薦，而是直接從特徵圖迴歸出目標的邊界框和分類機率。SSD 運用了這種單階段檢測的思想，而且對其進行改進：在不一樣尺度的特徵圖上檢測對應尺度的目標。以下圖所示，SSD 在六個尺度的特徵圖上進行了不一樣層級的預測。每一個層級由兩個3x3卷積分別對目標類別和邊界框偏移進行迴歸。所以對於每一個類別，SSD 的六個層級一共會產生 38x38x4 + 19x19x6 + 10x10x6 + 5x5x6 + 3x3x4 + 1x1x4 = 8732 個檢測結果。

 

SSD 能夠方便地插入到任何一種標準卷積網絡中，好比 VGG、ResNet 或者 MobileNet，這些網絡被稱做檢測器的基網絡。在這個示例中咱們使用 shufflenet。

 

在訓練時還會對圖片進行數據加強，包括隨機擾動、擴張、翻轉和裁剪:

 

• 擾動: 擾動圖片亮度、對比度、飽和度和色相。

• 擴張: 將原始圖片放進一張使用像素均值填充(隨後會在減均值操做中減掉)的擴張圖中，再對此圖進行裁剪、縮放和翻轉。

• 翻轉: 水平翻轉。

• 裁剪: 根據縮放比例、長寬比例兩個參數生成若干候選框，再依據這些候選框和標註框的面積交併比(IoU)挑選出符合要求的裁剪結果。

 

 也能夠採用一些其餘數據增廣方法：

 

InstaBoost:

 

 論文：https://arxiv.org/abs/1908.07801

 

 代碼：https://github.com/GothicAi/InstaBoost

  

RandAugment：

 

https://arxiv.org/pdf/1909.13719.pdf

 

https://github.com/tensorflow/tpu/blob/master/models/official/efficientnet/autoaugment.py

 

目錄：

 

| work |-- astar2019 |-- score.py |-- ... |-- ssd |-- train.py |-- mobilenet_ssd.py |-- ... |-- coco |-- train2017 |-- val2017 |-- test2017      |-- ...

 

02

解壓數據集

 

get_ipython().system('unzip -qo -d work/coco/ data/data7122/train2017.zip')get_ipython().system('unzip -qo -d work/coco/ data/data7122/val2017.zip')get_ipython().system('unzip -qo -d work/coco/ data/data7122/test2017.zip')get_ipython().system('unzip -qo -d work/coco/ data/data7122/annotations_trainval2017.zip')get_ipython().system('unzip -qo -d work/coco/ data/data7122/image_info_test2017.zip')

 

03

安裝相關依賴庫

 

get_ipython().system('pip install pycocotools')get_ipython().system('pip install ujson')

 

飛槳已發佈了圖像分類模型庫：

https://github.com/PaddlePaddle/models/tree/develop/PaddleCV/image_classification

用戶能夠參照work/ssd/中的mobilenet_ssd、shufflenetv2_ssd.py、mobilenetv2_ssd.py等添加本身的backbone。

 

04

開始訓練

 

訓練策略採用了warmup，優化器採用的Momentum，用戶也能夠本身更改優化器，保存的預測模型會以圖片的height_width_xxx來命名：

 

get_ipython().system('python3 work/ssd/train.py --learning_rate 0.00001 --data_dir work/coco --epoc_num 220 --batch_size 32')

 

執行score

score模型的名字須要是height_width_xxx，默認300x300，--model_dir 爲預測模型地址：

 

get_ipython().system('python3 work/astar2019/score.py --model_dir model_snet/300_300_inference')

 

05

量化訓練

 

此部分用的是main_quant.py裏的量化方法，也能夠用PaddleSlim裏的方法，詳見work/paddleslim，同時PaddleSlim也能夠進行剪枝等操做：

 

get_ipython().system('python work/ssd/main_quant.py --init_model model_snet/best_model --model_save_dir model_snet/snet_int8 --mode train')

 

 執行量化後的評測：

 

get_ipython().system('python3 work/astar2019/score.py --model_dir model_snet/snet_int8/300_300_int8_inference')

 

賽以至用，將比賽代碼開源，將比賽成果逐步落地，是飛槳參賽者的心願。

 

殺入決賽的Seigato隊長顧竟瀟認爲，這次的比賽做品能夠快速落地並移植到特定嵌入式終端。並且因爲計算量小，採用了8比特量化，也能夠應用到車輛行車記錄儀、安防監控等低功耗產品中。wildkid1024隊長劉澍波則更看重數據，這次賽題中須要對小目標進行數據加強，經過調整圖片的色調、隨機裁剪放縮都是很好的方式。在比賽開始前，他對飛槳框架的上手難度有過懷疑，可是經過比賽他發現，徹底是多慮了。飛槳的設計理念有點相似於C++，須要先定義好參數和運算，而後經過編譯的方式生成計算圖，最後實際運行的時候再把數據提供出來，這種設計會很是方便於部署。

 

 

自2005年到如今，百度之星已經走過了15年。一批批的參賽選手，他們或身居校園，憧憬着自身的發展；或已經投身一線，在業務領域有了一番做爲。但不管是哪種，他們是年輕的，就像年輕的飛槳同樣，開放、兼容、自主、創新。一場比賽或許不能讓世界有所改變，但孜孜不倦、矢志不渝的堅持，必定可以讓更多的人可以享受到AI發展的紅利，也能讓中國的AI技術人才找到本身的舞臺。

 

這樣的將來，必然會更加精彩。

>> 訪問 PaddlePaddle 官網，瞭解更多相關內容。