实战解析：真实AI场景下，极小目标检测与精度提升

【实战解析：真实AI场景下，极小目标检测与精度提升】主讲人 | 哈利百度高级研发工程师量子位整理编辑
目前，各个企业行业在AI落地应用中，常常会遇到极小目标检测问题。在这些AI应用中，都需要在一个大图中精准识别出极小目标，其检测至关重要，也面临很多难点。
比如，检测框高宽比不固定，图片背景杂乱，数据源稀缺，检测框相比图片非常小，这些难点都会导致较高的漏检率。
10月21日，「EasyDL AI开发系列公开课」第一期直播中，百度高级工程师以真实的产业场景为例，深入解析了如何解决这些难点、有效提高极小目标检测的准确率，并手把手演示了如何用EasyDL构建高精度物体检测模型。
讲解分为4个部分：

EasyDL平台整体介绍
物体检测任务综述
极小目标检测场景难点分析以及效果的优化
EasyDL经典版实操演示

直播回放见链接：「链接」
以下为直播文字实录：
EasyDL平台介绍
在和某咨询公司的联合调研中，我们发现有86%的市场需求需要定制开发业务场景下的AI模型。比如工业场景需要统计原材料的数量，食品安全场景需要监测厨房厨师是否佩戴安全帽，在零售场景需要检查货品的陈列是否满足标准……诸如此类的定制化需求，难以用统一的、标准化的服务去涵盖，是需要定制开发的。

本文插图
△需要定制开发AI模型的场景
2017年到2020年，百度AI开发平台收到的定制化需求增长速度非常快。但是我们知道，机器学习系统构建涉及到非常多的模块，这些模块的组合开发具有很大的挑战性，需要投入大量的人力来做。因此，百度也总结了AI定制需求开发与应用中的核心的痛点：
第一个痛点：数据。用户很难获得和场景匹配的数据，并且数据清洗标注、数据的多样性等方面都存在一些问题。
第二个痛点：开发训练。用户开发模型的成本非常高，算力资源不足，算法的调优比较困难，并且训练耗时长。
第三个痛点：部署。部署的成本非常高，难以落地，模型的适配、迁移难，并且还会有重复开发，并且预测性能差，硬件成本高。
为了解决这些痛点，百度面向AI开发全流程，提供了一站式的AI开发平台—EasyDL 。 EasyDL主要分成三个部分。

本文插图
第一部分是智能数据服务（EasyData），包括数据采集、数据清洗、数据扩充、数据标注四大能力。
EasyData智能数据服务大幅降低了AI定制模型的数据成本。用户如果需要进行全流程的数据采集、数据标注、模型迭代，就会涉及非常多环节，而且需要不断的迭代。而EasyData把整个流程抽象成了5个模块：软硬一体数据采集方案，自动数据清洗/扩充，智能标注，模型训练与发布，自动数据闭环。通过这五大模块的能力，帮助用户把数据采集、模型训练以及最后人工部署的成本都尽可能降低。

本文插图
第二部分是开发与训练，提供了AutoDL工具，帮助用户自动进行模型调优；并引入了百度自有的超大规模预训练模型，并且预置了很多场景化算法和网络；在训练方面提供分布式训练加速的能力。
EasyDL训练平台可以帮助用户使用更少的数据，获得更优的效果，而且训练速度更快。具体来说，基于百度自研的大规模预训练模型，大幅降低了数据成本；模型的调优方面，采用了领先的AutoDL技术；在训练方面，应用了飞桨内的训练加速机制。