百度AI攻略：EasyDL實現郵車查找

一、功能介紹：

EasyDL平臺支持定製圖像分類、物體檢測、圖像分割三類模型。三類模型的功能區別以下：

圖像分類：識別一張圖中是不是某類物體/狀態/場景，適用於圖片內容單1、須要給整張圖片分類的場景

物體檢測：檢測圖中每一個物體的位置、名稱。適合圖中有多個主體要識別、或要識別主體位置及數量的場景

圖像分割：對比物體檢測，支持用多邊形標註訓練數據，模型可像素級識別目標。適合圖中有多個主體、需識別其位置或輪廓的場景

二、訓練及目標檢測：

目標

本案例中使用EasyDL物體檢測智能標註郵車。

2.1 上傳並標註數據

首先須要創建郵車數據集，步驟以下

① 設計標籤

在上傳以前肯定想要識別哪幾種物體，並上傳含有這些物體的圖片。每一個標籤對應想要在圖片中識別出的一種物體。在本例中只有一個標籤，就是郵車。

② 準備圖片

基於設計好的標籤準備圖片：

每種要識別的物體在全部圖片中出現的數量最好大於50

若是某些標籤的圖片具備類似性，須要增長更多圖片

一個模型的圖片總量限制4張~10萬張

圖片格式要求：

一、目前支持圖片類型爲png、jpg、bmp、jpeg，圖片大小限制在4M之內

二、圖片長寬比在3:1之內，其中最長邊小於4096px，最短邊大於30px

圖片內容要求：

一、訓練圖片和實際場景要識別的圖片拍攝環境一致，舉例：若是實際要識別的圖片是攝像頭俯拍的，那訓練圖片就不能用網上下載的目標正面圖片

二、每一個標籤的圖片須要覆蓋實際場景裏面的可能性，如拍照角度、光線明暗的變化，訓練集覆蓋的場景越多，模型的泛化能力越強

本例中從網上找了20多張不一樣角度的郵車圖片。

③上傳和標註圖片

先在【建立數據集】頁面建立數據集：

若是訓練數據須要多人分工標註，能夠建立多個數據集。將訓練數據分批上傳到這些數據集後，再將數據集"共享"給本身的小夥伴，同步進行標註。

再進入【數據標註/上傳】：

一、選擇數據集

二、上傳已準備好的圖片

三、在標註區域內進行標註

首先在標註框上方找到工具欄，點擊標註按鈕在圖片中拖動畫框，圈出要識別的目標

而後在右側的標籤欄中，增長新標籤，或選擇已有標籤

2.二、建立模型

在導航【建立模型】中，填寫模型名稱、聯繫方式、功能描述等信息，便可建立模型。

模型建立成功後，能夠在【個人模型】中看到剛剛建立的模型。

目前單個用戶在每種類型的模型下最多可建立10個模型，每一個模型均支持屢次訓練。

2.3 訓練模型

數據提交後，能夠在導航中找到【訓練模型】，啓動模型訓練：

① 選擇模型

選擇這次訓練的模型

② 添加訓練數據

先選擇數據集，再按標籤選擇數據集裏的圖片。可從多個數據集選擇圖片（相同標籤的訓練圖片會被合併）

訓練時間與數據量大小有關，1000張圖片可能須要幾個小時訓練，請耐心等待

 

2.4 校驗模型效果

可經過模型評估報告或模型校驗瞭解模型效果：

模型評估報告：訓練完成後，能夠在【個人模型】列表中看到模型效果，以及詳細的模型評估報告。若是單個標籤的圖片量在100張之內，這個數據基本參考意義不大

模型在線校驗：實際效果能夠在左側導航中找到【校驗模型】功能校驗，或者發佈爲接口後測試。

若是對模型效果不滿意，能夠經過擴充數據、調整標註等方法進行模型迭代

 

2.5 發佈模型—在線API

發佈模型生成在線API

訓練完畢後就能夠在左側導航欄中找到【發佈模型】，發佈模型表單頁面須要自定義接口地址後綴、服務名稱，便可申請發佈

申請發佈後，一般的審覈週期爲T+1，即當天申請次日能夠審覈完成。

2.6 接口賦權

在正式使用以前，還須要作的一項工做爲接口賦權，須要登陸EasyDL控制檯中建立一個應用，得到由一串數字組成的appid，而後就能夠參考接口文檔正式使用了

同時支持在EasyDL控制檯-雲服務權限管理中爲第三方用戶配置權限

調用代碼以下：

def youche(filename):

    request_url = "https://aip.baidubce.com/rpc/2.0/ai_custom/v1/detection/youche"

 

    # 二進制方式打開圖片文件

    f = open(filename, 'rb')

    img = base64.b64encode(f.read())

 

    params = dict()

    params['image'] = img

    params = urllib.parse.urlencode(params).encode("utf-8")

 

    access_token = get_token()

 

    begin = time.perf_counter()

    request_url = request_url + "?access_token=" + access_token

    request = urllib.request.Request(url=request_url, data=params)

    request.add_header('Content-Type', 'application/x-www-form-urlencoded')

    response = urllib.request.urlopen(request)

    content = response.read()

    end = time.perf_counter()

    print('處理時長:'+'%.2f'%(end-begin)+'秒')

 

    if content:

        #print(content)

        content=content.decode('utf-8')

        #print(content)

        data = json.loads(content)

        print(data)

 

三、測試及結論：

經過測試發現總體識別效率很快，準確性也很好。

EasyDL對比傳統的圖像語義分割方式具備以下一些優點：

訓練模型：無需機器學習專業知識，只需提供含目標物體的圖片並用多邊形標註物體便可訓練模型，自動識別圖中全部目標物體的名稱、位置及輪廓

校驗模型：支持上傳圖片校驗模型效果、查看詳細的效果評估報告，進而分析模型分割有誤的圖片並有針對性地補充訓練數據

發佈模型：可將模型以雲端API發佈後集成使用，具備完善的鑑權、流控等安全機制，GPU集羣穩定承載高併發請求

能夠應用於專業場景的圖像分析，好比在衛星圖像中識別建築、道路、森林，或在醫學圖像中定位病竈、測量面積等。