【課程主題】
視覺模型核心難點攻破：小目標檢測技術詳解與實戰
小目標檢測場景分析與典型演算法詳解
在本節課中，講師首先介紹了視覺ai技術-物體檢測的技術發展歷程，隨著各種檢測方法的提出與實踐，技術在不斷提公升其自動化水平與檢測效率，滿足各類產業落地場景的應用需求。
在物體檢測這一場景中，「小目標檢測」由於實現難度大，是學者與開發者們研究的重點，那什麼樣的目標算是小目標呢？
以物體檢測領域的通用資料集coco物體定義為例，小目標是指小於32×32個畫素點。在實際應用場景中，通常更傾向於使用相對於原圖的比例來定義。因此，我們給出相對的定義，物體標註框的長寬乘積，除以整個影象的長寬乘積，再開根號，如果結果小於3%，就稱之為小目標。
在應用中，小目標的場景也遍布各行各業，如衛星遙感檢測、遠距離物體人體檢測、無人機航拍巡檢缺陷檢測、超市貨架擋板商品檢測等等。那麼，為了更好地攻破小目標檢測這一視覺模型難點，講師從四個方面分別解析了場景難點與對應的解決方案。
那麼結合實際案例，以上提到的小目標檢測技術解決方案能對ai模型的效果有怎樣的提公升呢？在這個超市擋板商品檢測模型中，最初的模型map是0.812，但經過anchor優化、自動資料增強、自動超參搜尋優化之後，模型map提高到0.92，精度提公升超過13%！
在另乙個無人機巡檢場景中，最初的模型map為0.56，遠達不到實際應用的要求。通過增加特徵金字塔、anchor自適應演算法、自動切圖技術，模型map提公升到0.93，精度提公升超過66%，達到了業務應用的要求。
在以上介紹的全部案例中，是什麼平台提供了相應能力呢？
easydl助力企業快速開發高精度ai模型
easydl是基於飛槳開源深度學習平台構建，為使用者提供一站式的模型定製開發和服務。在資料管理中，使用者可以享受到完善安全的資料服務，包括端雲一體的資料採集方案、高階資料清洗、資料擴充、智慧型標註與近期上線的多人協同標註能力，在多個環節持續提公升資料處理效率。
企業在ai應用時，往往面臨部署的「最後一公里」問題。為此，easydl提供了靈活的端、邊、雲多種部署方案，使用者可根據業務應用場景要求選擇公有雲、裝置端、私有化、軟硬一體的部署方式，更快更好地讓ai賦能於各類行業與場景。
目前，easydl已經在工業製造、安全生產、零售快消、智慧型硬體、網際網路等超過20個行業廣泛落地。
下節課的內容提煉關注如何使用bml進行模型演算法高效調參，提公升模型精度，工程師高階之路上，不要錯過這一課！
【課程回放與qa實錄】
【easydl官網】
小目標檢測
小目標在原圖中尺寸比較小，通用目標檢測模型中，一般的基礎骨幹神經網路 vgg系列和resnet系列 都有幾次下取樣處理，導致小目標在特徵圖的尺寸基本上只有個位數的畫素大小，導致設計的目標檢測分類器對小目標的分類效果差。1 data augmentation.簡單粗暴，比如將影象放大，利用 image...
Anchor Free目標檢測模型
fcos fully convolutional one stage object detection 已開源 foveabox beyond anchor based object detector 未開源 摘要 我們提出了一種全卷積的 one stage 目標檢測器 fcos 以每畫素 方式解決...
機器視覺中的目標檢測
今天撇去不同目標追蹤演算法的框架，比如kcf tld mean shift等，忽略它們繁瑣的公式，看了對目標檢測的基本理解。這裡做乙個簡單的總結，目標檢測的框架一般是下圖這樣的 目標檢測分為以下幾個步驟 1 訓練分類器所需樣本的建立 訓練樣本一般包括正樣本和負樣本，正樣本是指第一幀圖中框定的待檢測的...