如何获取高精度CV模型？

百度EasyDL是基于飞桨深度学习平台，面向企业开发者推出的零门槛AI开发平台，一站式支持智能标注、模型训练、服务部署等全流程功能，内置丰富的预训练模型，支持图像分类、物体检测、文本分类、音视频分类等多类模型，支持公有云/私有化/设备端等灵活部署方式。EasyDL目前已在工业、零售、制造、医疗等领域广泛落地。

在模型的开发与应用过程中，从数据准备、模型训练到服务部署，开发者在每个环节都可能面对不同的门槛与难点。

在数据准备阶段，如何针对业务需求选择适当的训练数据并正确标注？

进入到模型训练环节，如何选择恰当的模型，精度该如何提升？

到达部署的“最后一公里”，硬件如何选型，又如何快速完成业务集成？

基于百度超大规模预训练模型训练出来的ResNet50_vd，ResNet101_vd和MobileNetV3_large_x1_0，其中比较特殊的几个模型，EffcientNetB0_small是去掉SE模块的EffcientNetB0，在保证精度变化不大的同时，大幅提升训练和推理速度，ResNeXt101_32x16d_wsl 是基于超大量图片的弱监督预训练模型，准确率高，但预测时间相对增加，Res2Net101_vd_26w_4s则是在单个残差块内进一步构造了分层的残差类连接，比ResNet101准确度更高。

并且，为了进一步提升图像分类模型的模型效果，在训练层面，图像分类新增了mix_up和label_smoothing功能，可以在单标签分类任务中，根据模型的训练情况选择开启或者关闭。mix_up是一种数据增强方式，它从训练样本中随机抽取了两个样本进行简单的随机加权求和，并保存这个权重，同时样本的标签也对应地用相同的权重加权求和，然后预测结果与加权求和之后的标签求损失，通过混合不同样本的特征，能够减少模型对错误标签的记忆力，增强模型的泛化能力。Label_smoothing是一种正则化的方法，增加了类间的距离，减少了类内的距离，避免模型对预测结果过于confident而导致对真实情况的预测偏移，一定程度上缓解由于label不够soft导致过拟合的问题。

物体检测

在物体检测模型中，使用百度超大规模预训练模型的YOLOv3_DarkNet相比普通模型在各类数据集上模型效果平均提升4.53 %，使用百度超大规模预训练模型的Faster_RCNN，相比于普通预训练模型，平均提升1.39%。

针对一个具体的模型开发任务，我们通常会选择在公开的大数据集上训练收敛、且效果较好的模型，作为预训练权重，在此基础上使用业务数据对模型进行Fine-tune。在Fine-tune时，默认源域（预训练模型）、目标域数据集（用户业务数据集）需要具有较强相关性，即数据同分布，这样我们才能利用预训练模型的大量知识储备，快速高效地训练出针对特定业务场景并具有优秀效果的模型。

但在实际应用场景中，很多用户会面临数据集与源数据集分布不同的问题。比如，预训练模型的数据都是自然风景，但用户的数据集都是动漫人物。类似这种源数据集和目标数据差别较大的问题，在具体应用中较易导致负向迁移，具体表现为训练收敛慢，模型效果差等。

因此，一个包含各类场景、覆盖用户各类需求的超大规模数据集就十分重要，通过这个包罗万象的超大规模数据集训练所得的模型，才能够更好地适应来自各行各业用户的需求，更好地Fine-tune用户的业务数据集，帮助用户在自己的数据集上得到效果更好的模型。

百度超大规模预训练模型便在此背景下产生，在视觉方向，百度自研超大规模视觉预训练模型覆盖图像分类与物体检测两个方向。图像分类的预训练模型，用海量互联网数据，包括10万+的物体类别，6500万的超大规模图像数量，进行大规模训练所得，适应于各类图像分类场景；物体检测的预训练模型，用800+的类别，170万张图片以及1000万+物体框的数据集，进行大规模训练所得，适应于各类物体检测应用场景。相对于普通使用公开数据集训练的预训练模型，在各类数据集上都有不同程度效果提升，模型效果和泛化性都有显著提升。

（编辑：南昌站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!