|
|
51CTO旗下网站
|
|
移步端
  • AI战「疫」:百度开源口罩人脸检测及分类模型

    2 月 13 日,百度飞桨宣布开源业界首个口罩人脸检测及分类模型。基于此模型,可以在集体场景检测大量之脸同时,把佩戴口罩和未佩戴口罩的脸标注出来,很快识别各类场景中不讲究、不留神防护病毒,甚至存在侥幸心理的人数,调减群众场合下的平安隐患。

    笔者:Synced 来源:机械的心| 2020-02-13 16:24

    开工上班,大街小巷应该如何搞好疫情防护?必发娱乐手机版技术正在为抵御新冠肺炎疫情的上班提供必需的协助。

    2019 新冠肺炎疫情爆发,让人们的外出发生了很大的转移——自 1 月 24 日武汉宣布封城后,各省市陆续启动第一突发公共卫生事件一级响应以控制人口流动。有的是城市都已规定必须佩戴口罩、测量体温才能搭乘公共交通。2 月 10 号返工日之前,大同、京城等关键城市也陆续放出新规:出入机场、轨道交通、火车站、临床卫生部门、市场超市等公共场所,未佩戴口罩者将把劝阻。

    是的佩戴口罩出门是为了防止疫情扩散,此举得到了人人的普遍支持。但也带来了众多挑战——高密度的人流让基层排查人员面临着人手不足,以及接触疑似患者的风险,只有适应新情况之必发娱乐手机版技术才能减轻他们的上班压力。

    AI战「疫」:百度开源业界首个口罩人脸检测及分类模型

    2 月 13 日,百度飞桨宣布开源业界首个口罩人脸检测及分类模型。基于此模型,可以在集体场景检测大量之脸同时,把佩戴口罩和未佩戴口罩的脸标注出来,很快识别各类场景中不讲究、不留神防护病毒,甚至存在侥幸心理的人数,调减群众场合下的平安隐患。同时构建更多的防治公益应用。

    大灾面前,这家科技企业可谓用行动回应了重工业部部长陈越良之请求:「一度有益的公用事业软件比捐 10 个亿还使得!」

    专业首度开源口罩人脸检测及分类模型

    口罩人脸检测及分类模型,由两个效益单元组成,可以分别完成口罩人脸的监测和口罩人脸的分类。历经补考,口罩人脸检测部分在清晰度上赶到了 98%,且口罩人脸分类部分准确率同样达到了 96.5%,性能上也是属于业界领先水平。

    同时,他成功了模型的极致轻量化,可在多数头边云设备上实现实时处理(海思 3559 芯片耗时仅需 17ms)。百度也将继续更新这一模型,不断晋升效果。

    百度表示,如此高的失业率是大量数目训练的结果,新模型采用了超过十万张图片的教练数据,确保样本量足够且有效。一边,面检测模型基于百度自研的冠亚军算法,任何研发过程都是基于百度开源的飞桨深度学习平台,能够进行高效、便利的模子开发、训练、布局。

    咱们可以先看看口罩人脸检测及分类模型的功力,其中绿色边界框为戴口罩人脸、革命边界框为不戴口罩人脸。百度团队还提供了在线演示页面,咱们可以团结上流传图片,并测试模型的功力:

    AI战「疫」:百度开源业界首个口罩人脸检测及分类模型

    在线演示地址:https://www.paddlepaddle.org.cn/hub/scene/maskdetect

    预训练模型,立即部署

    如果我们团结有需要且有多少,这就是说使用深度学习框架初步开始训练也是异样正确的取舍。但是毫无疑问成本较高,而与此同时,百度将团结训练出来的口罩人脸检测及分类模型,穿过预训练模型的措施开放,可以极大的支援开发者节省资源,提升效率。

    百度飞桨通过预训练模型管理工具 PaddleHub,名将口罩人脸检测及分类预训练模型开源出来。只要开发者有基本的 Python 编程能力,即可快速搭建本地或者 serving 劳务合同模型。如果具有固定的运动端 APP 付出力量,也得以快捷将模型部署到移动端上。

    预训练模型介绍:https://www.paddlepaddle.org.cn/hubdetail?name=pyramidbox_lite_server_mask&en_category=ObjectDetection

    预训练模型示例代码:https://aistudio.baidu.com/aistudio/projectDetail/267322

    最佳算法与数据

    这一方案中,用于识别人脸的模子基于 2018 年百度在国际一流计算机视觉会议 ECCV 2018 的舆论 PyramidBox 而研发,基于自研的飞桨开源深度学习平台进行训练,并通过 paddle-slim 等模型小型化技术使得算法能够高效运转在部分算力有限的装备上。

    书法代码地址:https://github.com/PaddlePaddle/models/tree/develop/PaddleCV/face_detection

    口罩人脸检测及分类模型,可在公共场所高纯度人流的气氛中,对佩戴口罩和未佩戴口罩的脸进行快速识别标注。基于此预训练模型,开发者仅需采取少量代码,便可迅速形成自有场景模型开发。

    该模型可广泛适用于海关、火车站、镇区小区入口等不同门类的海域,同时提供服务器和运动端版本,便于开发商集成到不同门类硬件平台上满足不同场景要求。异常适合于重点区域之布控,以及未佩戴口罩人员的适时预警。

    如果口罩人脸检测及分类模型获得广大使用,对于检测结果的统计数据还可以为更加深切的研讨提供基础。百度表示,检测结果可以可以在灾情分析、聪慧城市、聪慧社区等景象发挥较大作用。

    在这段时间里,有的是科技企业陆续推出了有关体温检测、面识别等工作之 AI 书法。而百度提出的主意,是首个开源的口罩人脸检测及分类模型。副飞桨深度学习技术平台,到高速精确的脸检测及识别算法,再到硬件部署方案等,百度提出的主意可以与和任何工具实现整体、很快的总体协同。

    实行怎么用

    任何预训练模型只要求安装 PaddlePaddle 与 PaddleHub,只要求了解基础 Python 就能跑得动。如下短视频展示了俺们测试戴口罩人脸检测模型:

    以上展示了最简单的当地推断,只要五行代码,咱们就足以在协调之微机处理口罩人脸检测。为了展示力量,咱们设置了每个图像停留 2 秒。现实在我们采取 CPU 的情况下,检测中心是暂时的,推断速度非常快。以下为调用预训练模型的骨干代码,其中我们在眼前文件夹下放了一张测试图像:

          
    1. import paddlehub as hub 
    2.  
    3. # 加载模型,资本例为服务器端模型pyramidbox_lite_server_mask 
    4.  
    5. # 移步端模型参数可以换成pyramidbox_lite_mobile_mask 
    6.  
    7. module = hub.Module(name="pyramidbox_lite_server_mask"
    8.  
    9. # 安装输入数据 
    10.  
    11. input_dict = {"image": ["test.jpg"]} 
    12.  
    13. for data in module.face_detection(data=input_dict): 
    14.  
    15.     print(data) 

    百度提供了口罩人脸检测及分类的示范代码,穿过 Notebook 文件,咱们能更形象地询问模型使用的总体过程:

    地点:https://aistudio.baidu.com/aistudio/projectDetail/267322

    更主要的是,表现一项全面的正本求源工作,除了本地推断以外,他还要求考虑如何将模型部署到铁器或挪动设备中。若能很快部署到各平台,这就是说才真正意味着它可以表现「战疫」的根基工具。

    脚下,百度提供了两个预训练模型,即服务器端口罩人脸检测及分类模型「pyramidbox_lite_server_mask」、以及移动端口罩人脸检测及分类模型「pyramidbox_lite_mobile_mask」,这两头能满足各种下游任务。

    1. 一地部署服务器

    凭借 PaddleHub,服务器端的调度也特别简单,直接用一枝命令行在新石器启动口罩人脸检测与分类模型就行了:

          
    1. hub serving start -m pyramidbox_lite_server_mask -p 8866 

    科学,在服务器端这就完全没问题了。相比之下手动配置各种参数或者调用各种框架,PaddleHub 布局服务器实在是太好用了。

    只要在服务器端完成部署,剩下在客户端调用就不会有多大题目了。如从百度展示了调用服务器做推断的示范:制订要预测的图像列表、发出推断请求、回到并保留推断结果。

          
    1. # coding: utf8 
    2.  
    3. import requests 
    4.  
    5. import json 
    6.  
    7. import base64 
    8.  
    9. import os 
    10.  
    11. # 指定要检测的图形并生成列表[("image", img_1), ("image", img_2), ... ] 
    12.  
    13. file_list = ["test.jpg"
    14.  
    15. files = [("image", (open(item, "rb"))) for item in file_list] 
    16.  
    17. # 指定检测方法为pyramidbox_lite_server_mask并发送post呼吁 
    18.  
    19. url = "http://127.0.0.1:8866/predict/image/pyramidbox_lite_server_mask" 
    20.  
    21. r = requests.post(url=url, files=files) 
    22.  
    23. results = eval(r.json()["results"]) 
    24.  
    25. # 保留检测生成的图形到output文件夹,打印模型输出结果 
    26.  
    27. if not os.path.exists("output"): 
    28.  
    29.     os.mkdir("output"
    30.  
    31. for item in results: 
    32.  
    33.     with open(os.path.join("output", item["path"]), "wb") as fp: 
    34.  
    35.         fp.write(base64.b64decode(item["base64"].split(',')[-1])) 
    36.  
    37.         item.pop("base64"
    38.  
    39. print(json.dumps(results, indent=4, ensure_ascii=False)) 

    相信只要有部分 Python 基础,在地方预测、以及部署到服务器端都是没问题的,飞桨的 PaddleHub 已经起咱做好了各族处理过程。

    2. 布局到移动端

    Paddle Lite 是飞桨的嘴侧推理引擎,唯一面向移动端的模子推理部署。如果我们需要把口罩人脸检测及分类模型嵌入到手机等运动设备,这就是说 Paddle Lite 这样的嘴侧推理引擎能起咱节省很多工作。

    在运动端部署口罩人脸检测及分类模型,也只要求三地:①载入预测库,Paddle Lite 会提供编译好的预测库;②多极化模型,采用 model_optimize_tool 工具实现模型优化;③穿过预测 API 贯彻调用。

    Paddle Lite 介绍:https://github.com/PaddlePaddle/Paddle-Lite/

    其中比较重要的是移动端 API 租用方法,现实实现请参考下文给出的 Paddle Lite 的示范地址。

          
    1. // 读取图片 
    2.  
    3. cv::Mat img = imread(img_path, cv::IMREAD_COLOR);  
    4.  
    5. // 加载人脸检测或者口罩佩戴判别模型 
    6.  
    7. MobileConfig config; 
    8.  
    9. config.set_model_dir(model_dir); 
    10.  
    11. PaddlePredictor* predictor = 
    12.  
    13.       CreatePaddlePredictor<MobileConfig>(config);  
    14.  
    15. // 安装输入 
    16.  
    17. Tensor* input_tensor = predictor->GetInput(0); 
    18.  
    19. input_tensor->Resize({13, img.rows,img.cols}); 
    20.  
    21. set_input(img, input_tensor); //租用自定义函数 
    22.  
    23. // 推行 
    24.  
    25. predictor->Run();   
    26.  
    27. // 进出口结果 
    28.  
    29. Tensor* output_tensor = predictor->GetOutput(0); 
    30.  
    31. show_output(img, output_tensor); //租用自定义函数 

    面识别和佩戴口罩判断在运动端部署之示范地址为:https://github.com/PaddlePaddle/Paddle-Lite/tree/develop/lite/demo/cxx

    助力开发者,共同抗击疫情

    口罩人脸检测及分类模型项目的调研人员向机器的心介绍道,百度在新春之内就已频繁接触到来自灾区和合作伙伴反馈的技艺需求,并很快启动了交接和运用开发的步履。对此,百度专门成立了针对新冠疫情的技艺科研团队,历经论证,开发者们一致认为最终形成的产品应通过开源的措施来赋能更多开发者。

    百度很快组织了多部门结合的产研团队,在多个单位的配合下,工程师们快速进入了方案实施落地的等级。

    出于广大城市对于交通进行了管理,在档次的支出过程中,绝大多数人口都是以远程开发的样式参与的。百度研发人员表示,受益于百度内部高效的协同办公、付出体系,完全研发进度可以保持高速迭代。

    先前,仅有少数厂商能够提供口罩人脸检测模型的可落地方案,该署艺术在凝聚人流下的鉴别效果不尽相同。而由于缺少数据集和模型开发经历,有的是解决方案在面临园区、关口等细分场景时显得无从下手。

    口罩人脸检测及分类模型可以变成很多用到的根基,除了筛查公共场所佩戴情况的外,检测口罩佩戴是否正确、监测体温的使用都得以通过借助这项能力更快实现落地。本次百度除了开源模型以外,还提供了二次开发工具组件,咱们可以付出更适于自己之模子。

    在支持的软件方面,该模型可以很快运转在百度官方和经过第三方认证的软件平台上。另外,这一模型也支持目前市面上多类主流硬件平台。

    除了刚刚开源的作法,百度之 AI 艺术已在对立新冠疫情的许多世界发挥了企图。这家商店与政府部门积极合作,生产了首都官方新型肺炎医生咨询平台,上点了「发热门诊地图」,开展疫情辟谣频道,并将智能外呼平台开放给各地一线疫情防控机构,为基层提供 AI 艺术之支持。

    新春之内,百度发布了整机的百度 AI 测温系统,并很快将他投入到新型冠状病毒疫情的拱坝控中。在首都焦化汽车站,百度 AI 测温系统自 1 每日安排以来,截止 2 月 8 日已完成超过 3.2 万千瓦时的高效体温检测,一起发现了逾 190 人次的低温疑似异常案例,并由工作人员开展了人工复检。

    【编纂推荐】

    1. 史上较大规模远程办公安全指南_IT艺术周刊第615为期
    2. 会写代码的必发娱乐手机版来了
    3. 代码开源!超好用之《机器学习实用指南》其次版终于来了
    4. 寒暑盘点:2020年5大优秀技术趋势,紧跟着时代潮流
    5. 新来个艺术总监,取缔我们采用Lombok!
    【义务编辑: 张燕妮 TEL:(010)68476606】

    点赞 0
  • 必发娱乐手机版  机器学习  艺术
  • 分享:
    大家都在看
    猜你喜欢
  • 24H热文
    一周话题
    每月获赞
  • 删库跑路”这件事情真的发生了 ,还是艺术总监干的!程序员必备学习编程软件,观看看你用过几个?致Linux运维:顶你的蒸发器被黑了,永恒要看是不是犯了这5点错误2020年了,深度学习接下来到底该怎么走?菜鸟码农成神之路:必发娱乐手机版精选好文,都在此间了感受未来操作系统:迪斯尼7年磨一剑的Windows 10X高考微信支付核心订单系统之架构是怎样实现的?2020年2月编程语言排行榜
  • 共渡疫情,51CTO免费开放价值1000万精品在线课程!为什么阿里P8、P9艺术大牛反复强调“布局化思维”?菜鸟码农成神之路:必发娱乐手机版精选好文,都在此间了国难当前,还敢骗捐款?我花了40个小时揪出这个畜生删库跑路”这件事情真的发生了 ,还是艺术总监干的!“跳槽”还是“卧槽”,你想好了吗?葡萄牙政府将用基于 Linux 的开放操作系统取代 Windows 7程序员必备学习编程软件,观看看你用过几个?
  • 菜鸟码农成神之路:必发娱乐手机版精选好文,都在此间了共渡疫情,51CTO免费开放价值1000万精品在线课程!为什么阿里P8、P9艺术大牛反复强调“布局化思维”?Mozilla 通告 MDN Web 付出人员要求评估报告阿里资深Leader:组建技术团队的组成部分思考35岁的你为何会“慌得一股”?“跳槽”还是“卧槽”,你想好了吗?火神山医院正式交付!三角开5G,太空建好信息系统,IT集团做了什么?
  • 订阅专栏+更多

    Kubernetes:21远处完美通关

    Kubernetes:21远处完美通关

    从小白到修神
    共29章 | king584911644

    190人口订阅学习

    Python使用场景实战手册

    Python使用场景实战手册

    Python使用场景实战手册
    共3章 | KaliArch

    122人口订阅学习

    一步到位玩儿透Ansible

    一步到位玩儿透Ansible

    Ansible
    共17章 | 骏马金龙1

    209人口订阅学习

    订阅51CTO邮刊

    点击这里查看样刊

    订阅51CTO邮刊

    51CTO劳务号

    51CTO官微

  • &lt;blockquote id="d836a3d6"&gt;&lt;/blockquote&gt;
      1. &lt;samp id="e7fb6211"&gt;&lt;/samp&gt;