河洛网首页 新闻 关注 房产 汽车 教育 健康 婚庆 家居 旅游

| 人工智能

娱乐 体育 财经 科技 人工智能

人工智能大战“流行病”:百度开源面膜人脸检测与分类模型

来源:河洛网    发布时间:2020-02-22     发布人:洛阳新闻网

各地在开展工作时应如何做好防疫工作?人工智能技术为抗击新的冠状肺炎疫情提供了必要的帮助。

人工智能大战“流行病”:百度开源面膜人脸检测与分类模型

2019年新皇冠肺炎疫情的爆发极大地改变了人们的出行& mdash& mdash自1月24日武汉宣布关闭以来,各省市已开始对重大突发公共卫生事件进行一级反应,以控制人口流动。许多城市规定,在乘坐公共交通工具之前,他们必须戴上口罩并测量体温。在2月10日前,上海、北京等重点城市也出台了新规定:不戴口罩的人将被禁止进出机场、轨道交通、长途汽车站、医疗卫生机构、商场和超市等公共场所。

正确佩戴口罩出门是为了防止疫情扩散,这一点已经获得了广泛的支持。但是它也带来了许多挑战。& mdash高密度的人流使基层调查人员面临人手不足和接触疑似病人的风险。只有适应新形势的人工智能技术才能减轻他们的工作压力。

2月13日,百度闫飞宣布了开源行业的第一个面具人脸检测和分类模型。基于该模型,可以在公共场景中检测出大量的人脸,并可以识别出戴口罩和不戴口罩的人脸,从而快速识别出在各种场景中不注重病毒防护甚至有幸运心理的人,减少公共场合的安全隐患。同时,我们将建立更多的防疫公益应用。

面对灾难,科技公司响应民政部部长陈月亮的号召,行动起来:“一个有用的公益软件比捐赠10亿元更有效!ゥ?

业内首度开源口罩人脸检测及分类模型

面具人脸检测和分类模型由两个功能单元组成,分别完成面具人脸检测和面具人脸分类。经过测试,面具人脸检测部分的准确率达到98%,面具人脸分类部分的准确率也达到96.5%,在性能上也属于行业领先水平。

同时,它使模型非常轻便,可以在大多数终端云设备上实现实时处理(赫斯3559芯片只需要17毫秒)。百度还将继续更新这一模式,提高其有效性。

百度表示,如此高的准确率是大量数据训练的结果。新模型使用超过100,000张图片的训练数据来确保足够和有效的样本量。另一方面,人脸检测模型是基于百度自主开发的champion算法,整个研发过程是基于百度开源的飞桨深度学习平台,使得模型开发、训练和部署高效便捷。

我们可以先看看面具人脸检测和分类模型的效果,其中绿色包围盒是有面具的人脸,红色包围盒是没有面具的人脸。百度团队还提供了一个在线演示页面。我们可以上传自己的照片,并测试模型的效果:

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

预训练模型,立即部署

如果我们有自己的需求和数据,使用深度学习框架从头开始培训也是一个非常好的选择。然而,毫无疑问,成本相对较高。同时,百度将通过预训练模型的方式,开放自己训练的面具人脸检测和分类模型,这将大大帮助开发者节约资源,提高效率。

百度飞桨通过预训练模型管理工具PaddleHub打开了面具人脸检测和分类预训练模型。只要开发人员拥有基本的Python编程能力,他们就可以快速构建本地或服务调用模型。如果你有一定的移动应用开发能力,你也可以将模型快速部署到手机上。

培训前模型介绍:https://www.paddlepaddle.org.cn/hubdetail?名称=金字塔_精简_服务器_面具& ampen _ category =对象检测

培训前模型样本代码:https://aistudio.baidu.com/aistudio/projectDetail/267322

顶尖算法与数据

在该方案中,人脸识别模型是基于2018年ECCV国际计算机视觉高峰会议上百度的纸金字塔盒开发的。该模型是基于自主开发的开源飞桨深度学习平台进行训练的。该模型的小型化技术,如桨式超薄,使该算法能够在一些计算能力有限的设备上有效运行。

算法代码地址:https://github . com/paddlepaddle/models/tree/development/paddlecv/face _ detection

本发明能够在公共场所高密度人流环境下快速识别和标注有无口罩的人脸。基于这种预培训模型,开发人员只需少量代码就可以快速完成自己场景模型的开发。

该模型可广泛应用于海关、火车站、公园入口等不同类型的区域。,同时提供服务器和移动版本,方便开发者集成到不同类型的硬件平台上,满足不同场景的需求。它非常适合于控制重点区域和及时警告那些不戴口罩的人。

如果面具人脸检测和分类模型被广泛使用,检测结果的统计数据也可以为进一步的研究提供依据。百度表示,测试结果可以在疫情分析、智慧城市、智慧社区等场景中发挥更大的作用。

在此期间,许多技术公司相继推出了用于体温检测和人脸识别的人工智能算法。百度提出的方法是第一个开源的面具人脸检测和分类模型。从飞桨的深度学习技术平台,到高效准确的人脸检测和识别算法,再到硬件部署方案,百度的方法可以实现与其他工具完整高效的整体协调。

实践怎么用

整个预训练模型只需要安装桨和桨绳,只需要知道基本的Python就可以运行。以下短片展示了我们的测试面罩面部检测模型:

如上所示,最简单的局部推断是,只要使用五行代码,我们就可以在自己的计算机上处理面具人脸检测。为了显示效果,我们设置每个图像停留2秒钟。事实上,当我们使用中央处理器时,检测基本上是实时的,推理速度非常快。以下是调用预训练模型的核心代码,其中我们将测试图像放在当前文件夹下:

importpaddlehubashub#加载模型,本例为服务器端模型pyramidbox_lite_server_mask#移动端模型参数可以换成pyramidbox_lite_mobile_maskmodule=hub.Module(name="pyramidbox_lite_server_mask")#设置输入数据input_dict={"image":["test.jpg"]}fordatainmodule.face_detection(data=input_dict):print(data)

百度已经提供了面膜检测和分类的样本代码。通过笔记本文件,我们可以更生动地了解模型使用的完整过程:

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

更重要的是,作为一个完整的开源工作,除了本地推理,它还需要考虑如何将模型部署到服务器或移动设备上。如果它能被快速部署到各种平台上,那就意味着它可以被用作“战争流行病”的基本工具。

目前,百度已经提供了两种预训练模型,即服务器端掩码人脸检测和分类模型“金字塔_精简_服务器_掩码”和移动端口掩码人脸检测和分类模型“金字塔_精简_移动_掩码”,可以满足各种下游任务。

1.部署服务器一步到位

使用PaddleHub,服务器端的部署也非常简单。只需用命令行直接在服务器上启动面膜面部检测和分类模型:

hubservingstart-mpyramidbox_lite_server_mask-p8866

是的,在服务器端,根本没有问题。与手动配置各种参数或调用各种框架相比,PaddleHub部署服务器非常有用。

只要部署在服务器端完成,客户端的剩余调用就不会有太多问题。下面的百度展示了一个调用服务器进行推理的例子:生成一个要预测的图像列表,发出推理请求,返回并保存推理结果。

#coding:utf8importrequestsimportjsonimportbase64importos#指定要检测的图片并生成列表[("image",img_1),("image",img_2),...]file_list=["test.jpg"]files=[("image",(open(item,"rb")))foriteminfile_list]#指定检测方法为pyramidbox_lite_server_mask并发送post请求url="http://127.0.0.1:8866/predict/image/pyramidbox_lite_server_mask"r=requests.post(url=url,files=files)results=eval(r.json()["results"])#保存检测生成的图片到output文件夹,打印模型输出结果ifnotos.path.exists("output"):os.mkdir("output")foriteminresults:withopen(os.path.join("output",item["path"]),"wb")asfp:fp.write(base64.b64decode(item["base64"].split(',')[-1]))item.pop("base64")print(json.dumps(results,indent=4,ensure_ascii=False))

据信,只要有一些Python基础,本地预测和部署到服务器端就没有问题。PaddleHub已经帮助我们做了各种各样的处理。

2.部署到移动设备

桨式精简版是飞行螺旋桨的端侧推理引擎,专门为移动端的模型推理部署而设计。如果我们需要将面具人脸检测和分类模型嵌入到手机等移动设备中,那么Paddle Lite等终端推理引擎可以为我们节省大量工作。

在移动端部署面具人脸检测和分类模型只有三个步骤:①下载预测库,Paddle Lite将提供编译后的预测库;(2)使用模型优化工具工具优化模型;(3)通过预测性应用编程接口调用。

船桨精简版游戏攻略:https://github.com/PaddlePaddle/Paddle-Lite/

最重要的是移动应用编程接口调用方法。关于具体实施,请参考以下Piad Lite的示例地址。

//读取图片cv::Matimg=imread(img_path,cv::IMREAD_COLOR);//加载人脸检测或者口罩佩戴判别模型MobileConfigconfig;config.set_model_dir(model_dir);PaddlePredictor*predictor=CreatePaddlePredictor<MobileConfig>(config);//设置输入Tensor*input_tensor=predictor->GetInput(0);input_tensor->Resize({1,3,img.rows,img.cols});set_input(img,input_tensor);//调用自定义函数//执行predictor->Run();//输出结果Tensor*output_tensor=predictor->GetOutput(0);show_output(img,output_tensor);//调用自定义函数

在移动端部署的面部识别和面罩佩戴判断的示例地址是:https://github . com/padpadpad pad pad pad/pad pad-lite/tree/development/lite/demo/cxx

助力开发者,共同抗击疫情

面具人脸检测和分类模型项目的研发人员向机器核心介绍,春节期间百度经常接触到社区和合作伙伴反馈的技术要求,并迅速启动对接和应用开发行动。作为回应,百度专门成立了一个技术研发团队来应对新的皇冠疫情。在演示之后,开发人员同意最终产品应该通过开源让更多的开发人员受益。

百度很快组建了一个多部门的生产和研究团队。在许多部门的合作下,工程师们很快进入了实施计划的阶段。

由于许多城市的交通管制,大多数人以远程开发的形式参与项目的开发。百度研发人员表示,得益于百度内部高效的协同办公和开发系统,整体研发进度可以保持快速迭代。

以前,只有少数几个制造商能够为面具面部检测模型提供着陆方案。这些技术在密集人群中有不同的识别效果。然而,由于缺乏数据集和模型开发经验,许多解决方案在面临子场景(如公园和网关)时无法启动。

面具的人脸检测和分类模型可以成为许多应用的基础。除了在公共场所检查佩戴情况之外,检测口罩是否正确佩戴并监测体温的应用程序也可以通过这一功能更快地降至地面。除了开源模式,百度还提供了二次开发工具组件。我们可以开发更适合自己的模型。

就支持的硬件而言,该模型可以在百度官方和第三方认证的硬件平台上高效运行。此外,该模型还支持目前市场上的多种主流硬件平台。

除了新的开源算法之外,百度的人工智能技术已经在许多领域针对新的皇冠流行病发挥了作用。公司积极与政府部门合作,推出北京官方新型肺炎医生咨询平台,推出“发热门诊地图”,开通疫情谣言渠道,向世界各地一线防控机构开放智能出站平台,为基层提供人工智能技术支持。

春节期间,百度发布了完整的百度人工智能体温测量系统,并迅速将其投入到新型冠状病毒的疫情防控中。在北京清河火车站,百度人工智能温度测量系统自1月底投入使用以来,已经完成了3.2万多次快速温度测试,截至2月8日,已发现190多起疑似异常温度案例,工作人员已经进行了人工复查。

[编辑建议]

免责声明:非本网注明“禁止转载”的信息,皆为程序自动获取互联网,目的在于传递更多信息,并不代表本网赞同其观点和对其真实性负责;如此页面有侵犯到您的权益,请给站长发送邮件,并提供相关证明,站长将在收到邮件24小时内删除。

热门标签

洛阳新闻网 | 新闻 | 关注 | 房产 | 汽车 | 教育 | 健康 | 婚庆 | 家居 | 旅游