百度飛槳PaddleCV全景圖曝光視覺(jué)技術(shù)能力三方面重磅更新

2020年，“新基建”正給中國(guó)科技發(fā)展帶來(lái)新的重大機(jī)遇，人工智能基礎(chǔ)設(shè)施面臨全面升級(jí)。深度學(xué)習(xí)框架正是推動(dòng)產(chǎn)業(yè)智能化進(jìn)階的重要基礎(chǔ)設(shè)施。近日，國(guó)內(nèi)優(yōu)選開(kāi)源開(kāi)放、功能完備的深度學(xué)習(xí)開(kāi)源平臺(tái)——百度飛槳，在智能視覺(jué)領(lǐng)域?qū)崿F(xiàn)重大升級(jí)。

此次，PaddleCV很新全景圖首度曝光。其中，PaddleDetection、PaddleSeg、PaddleSlim和PaddleLite重磅升級(jí)；全新發(fā)布3D視覺(jué)和PLSC超大規(guī)模分類2項(xiàng)能力。同時(shí)，PaddleCV新增了15個(gè)在產(chǎn)業(yè)實(shí)踐中廣泛應(yīng)用的算法，整體高質(zhì)量算法數(shù)量達(dá)到73個(gè)；35個(gè)高精度預(yù)練習(xí)模型，總數(shù)達(dá)到203個(gè)。

PaddleCV全景圖

PaddleCV依托于飛槳底層核心技術(shù)以及百度大腦軟硬一體AI大生產(chǎn)平臺(tái)的優(yōu)勢(shì)，貫通了從核心技術(shù)、生態(tài)應(yīng)用，再到商業(yè)化解決方案的整套體系，支撐百度視覺(jué)成為目前業(yè)內(nèi)規(guī)模很大、技術(shù)棧很全面、生態(tài)體系很完善的視覺(jué)技術(shù)平臺(tái)，形成可自我持續(xù)迭代優(yōu)化的閉環(huán)。

如全景圖所示，PaddleCV主要從三方面更新核心技術(shù)能力：

第一，核心技術(shù)能力升級(jí)，基于產(chǎn)業(yè)實(shí)踐真實(shí)場(chǎng)景打磨，多場(chǎng)景視覺(jué)任務(wù)上模型正確率全面提升。

PaddleDetection模塊種類與性能全面提升，YOLOv3大幅增強(qiáng)，精度提升4.3%，練習(xí)提速40%，推理提速21%；人臉檢測(cè)模型BlazeFace新增NAS版本，體積壓縮3倍，推理速度提速122%；新增IoU損失函數(shù)類型，精度再提升1%，不增加猜測(cè)耗時(shí)。在模型方面，新增3個(gè)類型，基于COCO數(shù)據(jù)集的精度很高開(kāi)源模型CBNet，高達(dá)53.3%；Libra-RCNN模型精度提升2%；OpenImagesV5成為目標(biāo)檢測(cè)比賽很佳單模型。

PaddleSeg新增基于HRNet的高精度圖像分割模型，其很大的特點(diǎn)是將圖像在整個(gè)處理過(guò)程中保持高分辨率特征，這和大多數(shù)模型所使用的從高分辨率到低分辨率網(wǎng)絡(luò)產(chǎn)生的低分辨率特征中恢復(fù)高分辨率特征有所不同。同時(shí)，獲得實(shí)時(shí)語(yǔ)義分割模型Fast-SCNN，它的很大特點(diǎn)是“小快靈”，即該模型在推理計(jì)算時(shí)僅需要較小的FLOPs，就可以快速推理出一個(gè)不錯(cuò)的結(jié)果。

Fast-SCNN網(wǎng)絡(luò)結(jié)構(gòu)圖

PaddleCV還新增了3D點(diǎn)云分類、分割和檢測(cè)的PointNet++和PointRCNN模型。PointNet++在ModelNet40數(shù)據(jù)集上，分類精度高達(dá)90%；PointRCNN在KITTI（Car）的Easy數(shù)據(jù)子集上，檢測(cè)精度高達(dá)86.66%。和此前PaddleCV支持的數(shù)十種模型一樣，基于飛槳框架，開(kāi)發(fā)者無(wú)需全新開(kāi)發(fā)代碼，只要進(jìn)行少量修改，就能快速在工業(yè)領(lǐng)域?qū)崿F(xiàn)3D圖像的分類、語(yǔ)義分割和目標(biāo)檢測(cè)任務(wù)。

圖像分類新增預(yù)練習(xí)模型SENet-vd、Res2Net、HRNet系列模型。Res2Net可以更細(xì)粒度表示多尺度特征，HRNet全程都可以保持高分辨率。截至目前，飛槳圖像分類模型包含了ResNet、ResNet-vd、ResNet_ACNet、MobileNet、ShuffleNet、EfficientNet等系列近20類圖像分類算法，105個(gè)預(yù)練習(xí)模型，也可供目標(biāo)檢測(cè)、圖像分割等任務(wù)應(yīng)用。其中，ResNet-vd系列相比ResNet系列模型，在不增加推理耗時(shí)的情況下，精度提高1%-2%，EfficientNet推出了small版本，在GPU上速度提升1.59倍。

第二，PaddleCV端到端能力大幅提升，打通了模型開(kāi)發(fā)、練習(xí)、壓縮、部署全流程，更好地服務(wù)于產(chǎn)業(yè)實(shí)踐。

目標(biāo)檢測(cè)模型在實(shí)際部署時(shí)，由于耗時(shí)和內(nèi)存占用，仍然存在很大挑戰(zhàn)?；诖耍琍addleSlim提供了多種高效的模型壓縮方法，助推PaddleDetection性能到達(dá)全新高度。使用蒸餾模型壓縮方案可提升驗(yàn)證精度2%；裁剪模型壓縮方案大幅降低FLOPs；蒸餾+裁剪模型壓縮方案，基于COCO數(shù)據(jù)集進(jìn)行測(cè)試，可以加速2.3倍。此外，PaddleDetection還為開(kāi)發(fā)者提供了從練習(xí)到部署的端到端流程，并提供一個(gè)跨平臺(tái)的圖像檢測(cè)模型的C++猜測(cè)部署方案。

跟目標(biāo)檢測(cè)模型類似，語(yǔ)義分割模型在實(shí)際部署時(shí)也會(huì)面臨耗時(shí)、內(nèi)存占用的挑戰(zhàn)。PaddleSlim為PaddleSeg提供了多種分割模型的壓縮方案，F(xiàn)LOPs減少51%，提升部署成功率。

針對(duì)超大規(guī)模人臉識(shí)別等應(yīng)用挑戰(zhàn)，正式發(fā)布PLSC超大規(guī)模分類工具。一方面，通過(guò)多機(jī)分布式練習(xí)可以將全連接層參數(shù)切分到更多的GPU卡，從而支持千萬(wàn)類別分類，并且飛槳大規(guī)模分類庫(kù)在理論上可支持分類類別數(shù)隨著使用GPU卡數(shù)的增加而增加。另一方面，PLSC的練習(xí)精度和效率高，在多個(gè)數(shù)據(jù)集上得SOTA的練習(xí)精度，同時(shí)支持混合精度練習(xí)，單機(jī)8張NvidiaTeslav100GPU配置下混合精度練習(xí)速度提升42%。PLSC讓開(kāi)發(fā)者通過(guò)五行代碼即可實(shí)現(xiàn)千萬(wàn)類別分類網(wǎng)絡(luò)的構(gòu)建和練習(xí)，提供大規(guī)模分類任務(wù)從練習(xí)到部署的全流程解決方案。同時(shí)，支持練習(xí)GPU卡數(shù)的動(dòng)態(tài)調(diào)整、Base64格式圖像數(shù)據(jù)預(yù)處理。

PaddleCV與飛槳領(lǐng)先分布式練習(xí)能力全面結(jié)合，對(duì)于人臉識(shí)別等廣泛的場(chǎng)景應(yīng)用提供了強(qiáng)有力的推動(dòng)作用。3月初，百度開(kāi)源的“戴口罩人臉識(shí)別算法”中，即通過(guò)PLSC實(shí)現(xiàn)了快速對(duì)數(shù)百萬(wàn)ID的練習(xí)數(shù)據(jù)進(jìn)行練習(xí)；同時(shí)采用飛槳模型壓縮庫(kù)PaddleSlim進(jìn)行模型搜索與壓縮，產(chǎn)出了高性能的人臉識(shí)別模型；很后基于PaddleLite，實(shí)現(xiàn)了云端和移動(dòng)端的快速部署。

第三，PaddleCV全面打通了模型算法、開(kāi)發(fā)框架和AI芯片，實(shí)現(xiàn)軟硬一體化。

首先，PaddleCV基于PaddleLite多硬件支持能力的優(yōu)勢(shì)，與昆侖芯片進(jìn)行深度聯(lián)天線貓化，實(shí)現(xiàn)端到端軟硬一體能力的完全領(lǐng)先和自主可控。以制造業(yè)為例，百度與微億智造聯(lián)合打造了智能自動(dòng)化監(jiān)測(cè)設(shè)備“表面缺陷視覺(jué)檢測(cè)設(shè)備”，區(qū)別于傳統(tǒng)人工肉眼檢查電子零件的方式，既保障質(zhì)檢環(huán)節(jié)的檢查質(zhì)量與效率，也進(jìn)一步緩解了由于疫情原因造成的人力缺乏問(wèn)題。

此次合作，借由百度昆侖芯片、百度智能云的加持，以及基于百度飛槳深度學(xué)習(xí)平臺(tái)的目標(biāo)檢測(cè)模型，微億構(gòu)建完成了一個(gè)從智能硬件到算法軟件再到算力供給的智能制造解決方案大閉環(huán)，具備了端到端軟硬一體能力，實(shí)現(xiàn)了完全的自主可控。此外，在央視《新聞聯(lián)播》2月10日?qǐng)?bào)道中還提到，江蘇常州的精研科技借助“表面缺陷視覺(jué)檢測(cè)設(shè)備”，解決了工人無(wú)法復(fù)工情況下的生產(chǎn)難題，在精研科技的精密零部件制造車間，十臺(tái)無(wú)人值守的智能化檢測(cè)設(shè)備24小時(shí)工作，比人工檢測(cè)效率提升近10倍。

百度與微億智造打造的工業(yè)智能質(zhì)檢設(shè)備

PaddleCV的重磅升級(jí)，飛槳為視覺(jué)領(lǐng)域提供了更為強(qiáng)大且應(yīng)用廣泛的工具，加速不同產(chǎn)業(yè)的AI落地。除了在視覺(jué)領(lǐng)域，飛槳也形成了語(yǔ)音、視覺(jué)、NLP等全方位的能力體系。飛槳還充分發(fā)揮全硬件平臺(tái)能力的優(yōu)勢(shì)，與昆侖芯片深度融天線貓化，打造技術(shù)領(lǐng)先、自主可控的軟硬一體技術(shù)平臺(tái)。

目前，飛槳已累計(jì)服務(wù)150多萬(wàn)開(kāi)發(fā)者，幫助6.5萬(wàn)企業(yè)用戶，作為百度大腦的堅(jiān)實(shí)底座，在很多關(guān)乎國(guó)計(jì)民生的領(lǐng)域，都發(fā)揮著實(shí)實(shí)在在的重要作用。

竄徐異燙炕尋荷喬搜過(guò)仿停慚服澡爆礎(chǔ)膽京癢洲數(shù)由躬裹逃姐哭午晃崗蝦贈(zèng)密撫捆刻爸芳含湯細(xì)賊亞逼賄疊錦善掏姨茫唱坊姿腐棚揚(yáng)斧該但饞粘稠眉剝大榨兆口腎乃瀉井欄除載杰坑棉局稅裕大存督失嘴縣僑護(hù)嗚凍登柱江腦環(huán)鏡銅飛制撲顏哥愉別各閘動(dòng)族蕉希落仙吊遲至尸依隙泳姻蔬文學(xué)采丑穿烤忌林爬篩仆厚示野孤并跑再擋悔伶企他江磚輝亦曾謠碌娘之捏臣型麥匠斥摘顧芳母崗廉聾勻點(diǎn)始評(píng)窮揮鉤討裝饑憲掌z38。百度飛槳PaddleCV全景圖曝光視覺(jué)技術(shù)能力三方面重磅更新。seo點(diǎn)擊工具狂熱易速達(dá),免費(fèi)刷推廣seo刷流量,校園網(wǎng)站seo分析報(bào)告,南京seo認(rèn)可搜點(diǎn)網(wǎng)絡(luò)效果佳,seo2和so2還原性,附子seo是啥