|
工具选择 1. 我们需要5分钟才能获得初始解决方案 2. 无需编写代码并在各种开发工具之间来回切换 3. 开箱即用：一系列预训练的模型，可视化和部署
如何处理任务
实际上，我们有两种方法来解决这个问题： （1）使用预训练的模型
（2）训练我们自己的人物检测器。
因此计划如下： I. 初始化人物检测模型 II. 检测图像上的人物以衡量检测质量 III. 为生产应用部署模型
让我们开始吧……
执行步骤
I. 初始化人物检测模型 初始化一个人物检测模型很简单。为了完成这步，我们需要将你的GPU机器连接到Supervise.ly，然后选择一个预训练的模型。
1. 将你的GPU机器连接到Supervise.ly平台 (1) 点击 “connect your first node” 按钮 （2）在终端上运行所选命令 （3）检查您的计算机是否已连接到平台
转到“Cluster”页面，点击图（1） “connect your first node” 按钮，然后，你将看到图（2）窗口，只需复制命令并在终端中执行即可。Python代理将安装在你的计算机上，它将显示在可用节点列表中（3）。
2.选择预训练模型
（1）转到Model Zoo页面（2）选择你的检测器（3）检查“My Models”列表
转到“Neural networks” -> “Model Zoo”页面（1）。您将看到一系列用于语义分割和目标检测任务的预训练模型。如果将光标悬停在“FasterRCNN NasNet”上，您将看到“Add model”按钮（2）。点击后，模型将出现在“My Models”列表（3）。
现在，Faster R-CNN检测器准备就绪。下一步是看它是如何作用于图像的。
II. 检测图像上的人物以衡量检测质量在将模型部署为API之前，最好可视化神经网络预测，以了解它是否符合要求。使用Supervisely非常简单：只需点击几下即可拖放图像并运行推理过程。
1. 导入图像
（1）转到“Import”->”Upload” 页面并拖放图像（2）定义项目名称并开始导入（3）勾选 “Projects”页面
转到“Import”页面，然后拖放包含测试图像的文件夹（1）。将项目命名为保存图像的项目。在我们的例子中，项目名称是“test_images”。然后单击"start import"按钮（2）。导入完成后，转到“Projects”页面，检查包含你的图像的项目是否已创建（3）
2. 运行推理过程
（1）单击“测试”按钮（2）选择项目（3）定义推理参数
现在让我们在你的图像上测试我们的人物检测器。 转到“我的模型”页面，然后单击“测试”按钮（1）。 然后，你选择一个带有图像的项目来检测人物。 在我们的例子中，它是“test_images”项目，然后单击“下一步”按钮（2）。 然后，我们应该指定将存储检测结果的项目的名称。 在我们的例子中，它是“inf_test_images”项目（3）。
唯一剩下的就是选择推理模式。 在列表“inference_full_image”中选择。 最后一步是替换该行： - <font size="2">“save_classes”: “__all__”,</font>
这行： - <font size="2">“save_classes”: [“person”],</font>
点击开始“推理”按钮： 3. 检查结果 （1）点击生成的项目（2）查看预测
推理过程完成后，你将在项目页面（1）上看到“inf_test_images”。 要检查结果（2），请单击“inf_test_images”项目，然后单击此项目中的数据集。
现在我们知道我们的模型符合要求，让我们进入最后一步 - 模型部署。
III. 为生产应用程序部署模型 在大多数情况下，一旦我们对检测质量感到满意，我们就需要通过API从自定义环境中使用该模型。 以下说明介绍了如何为生产应用程序部署模型。
1.部署人物检测模型
（1）单击“Deploy”按钮（2）指定并提交部署参数（3）确保任务完成
转到“我的模型”页面，然后单击“部署”按钮（1）。 然后，在指定目标GPU机器和设备后，单击“提交”按钮（2）。 因此，将创建一个新任务，并且一旦完成（3），你就可以将API请求发送到你的人员检测模型。
2. 发送API请求
（1）单击“Deploy API Info”项（2）获取部署信息
在调用API之前，我们需要获取令牌和URL信息。 为此，在“Cluster-> Tasks”页面上单击上下文菜单（1）中的“Deploy API info”。 在下一页，你将看到通过API（2）使用我们的检测模型所需的所有信息。
更具体地说，这里（2）我们可以看到：
1. API令牌RsiYTrSBsyE5BIXRYYCFBLJf13JqVQ4NeEUUxX2oE1SdkwgdpmErjZ0tHEKljadILv8cQrosxMVmirJVOOf025mR8XB88feSRDbbeAYpKL2MwJ1MAZtJ2PfideN4UmNP
2. URL 3. 用法示例 很明显，不过我要说的是，您的API令牌和网址将与上述不同。 例如，假设你有“dl_heroes.jpg”图像。 Yann LeCun, Geoffrey Hinton, Yoshua Bengio, Andrew Ng
因此，如果你在终端中运行以下命令： - <font size="2">curl -XPOST -H ‘X-API-KEY: YourToken’ -F ‘image=@dl_heroes.jpg;type=image/jpeg’ YourUrl</font>
然后，Supervise.ly会以json格式给你回复检测结果： - <font size="2">[{"tags":[],"description":"","objects":[{"bitmap":{"origin":[],"np":[]},"type":"rectangle","classTitle":"person","description":"","tags":[],"points":{"exterior":[[343,87],[493,375]],"interior":[]},"score":0.999502420425415},{"bitmap":{"origin":[],"np":[]},"type":"rectangle","classTitle":"person","description":"","tags":[],"points":{"exterior":[[0,94],[149,375]],"interior":[]},"score":0.9994213581085205},{"bitmap":{"origin":[],"np":[]},"type":"rectangle","classTitle":"person","description":"","tags":[],"points":{"exterior":[[247,96],[367,377]],"interior":[]},"score":0.9987866282463074},{"bitmap":{"origin":[],"np":[]},"type":"rectangle","classTitle":"person","description":"","tags":[],"points":{"exterior":[[138,96],[256,378]],"interior":[]},"score":0.99868243932724},{"bitmap":{"origin":[],"np":[]},"type":"rectangle","classTitle":"person","description":"","tags":[],"points":{"exterior":[[100,133],[129,177]],"interior":[]},"score":0.9136056900024414}],"size":{"width":506,"height":380}}]</font>
上面的Json对应于检测到的所有对象，包括坐标和置信度。 可视化后，我们得到
API返回的预测可视化
为了让生活更轻松，我们提供了一个python notebook，它实现了API调用并可视化检测结果。 我们鼓励你使用它。
Jupyter notebook
回到主要问题回想一下标题中的问题“你能在10分钟内解决一个人检测任务吗？”
1. 快速回答是，只需按照上面的说明操作即可。
2. 更为深思熟虑的答案是“它取决于”，细节决定成败。
同样，需要人员检测的可能应用程序的数量是巨大的。 以下是引起头痛的三个最受欢迎的因素：
1. 硬件限制。 对于某些应用程序，可以使用板载高端GPU的台式计算机。 其他应用程序应该可以在手机上或机器人内部使用。 在这种情况下，我们需要以牺牲模型精度为代价来使用小而快速的神经网络。
2. 实时要求。 例如，在自动驾驶行业中，软件应该是实时工作的。 在这种情况下，最新的GPU仍然不够强大，无法运行更快的R-CNN的最先进的实现。 因此，我们必须牺牲准确性并选择更简单的模型。
3. 具体情况。 如果我们构建一个安全应用程序，那么很可能，我们必须在夜间发现不需要的人。 无法保证开箱即用的探测器可以解决此任务。 许多其他变化是可能的 - 不同的天气，摄像机角度或只有一小部分人可见的事实。 好消息是我们可以训练模型在特定条件下运行良好，但它可能需要我们一些额外的工作。
将来，我们将发布一系列博客文章，解决更复杂的场景，包括自定义对象检测器的培训。
如果你发现这篇文章很有趣，那就多分享它一些，这样更多的人就能看到它！
|
发表于 2018-9-12 15:02:19
/4 
