使用 SKIL 和 YOLO 构建产品级目标检测系统

01、使用 SKIL 和 YOLO 构建产品级目标检测系统

在本文中，我们采用最新的神经网络实现目标检测，使用SKIL平台构建产品级目标检测系统。

建立一个产品级的计算机视觉系统很难，因为有很多因素需要考虑：

• 我们如何构建网络来进行预测？
• 我们以什么方式存储模型以便可以更新或回退旧版本？
• 随着客户的需求增长，我们如何提供模型预测？

除此之外，我们需要考虑在实际中使用来目标检测系统带来复杂结果的情况。

本文将引导您完成整个开发周期，并为您提供可以根据自己的目标，进行修改的程序。 它还将让您了解以下技术：

1. SKIL的原生TensorFlow模型导入功能
2. 使用计算机视觉目标检测程序

现在让我们深入研究计算机视觉和目标检测的基础知识。

什么是目标检测？

计算机视觉中的目标检测可以被定义为在图像中找到具有“零到多个目标”在每张图像中。 每个对象预测都有边界框和类别概率分布。

以下是最近的三篇关于目标检测的重要论文：

1. Faster R-CNN
2. SSD: Single Shot MultiBox Detector
3. YOLO (“You Only Look Once”) v2

以前的方法处理类似任务的包括Haar Cascades，但与这些新方法相比，这种方法要慢得多。我们将重点关注下面的YOLO v2网络。

使用YOLO网络，我们将单个神经网络应用于完整图像。该网络将图像划分为区域并预测每个区域的边界框和概率。

这些边界框由预测概率加权，其中每个对象由具有四个变量的边界框标记：对象的中心（bx，by），矩形高度（bh），矩形宽度（bw）。

我们可以从头开始训练YOLO网络，但这需要大量的工作（以及昂贵的GPU时间）。作为工程师和数据科学家，我们希望尽可能多地利用预先构建的库和机器学习模型，因此我们将使用预先训练的YOLO模型，使我们的应用程序更快，更廉价地投入生产。

02、使用预训练模型和SKIL的模型服务器

在之前关于Oreilly博客的文章中，我们讨论了如何：

“将神经网络和卷积神经网络集成到生产的企业应用程序中本身就是一项挑战，与建模任务分开。”

SKIL平台旨在解决那里描述的许多问题。在本文中，我们将介绍如何利用SKIL导入外部创建的TensorFlow格式模型，并使用SKIL Model Server提供预测。

在这里，我们将使用在COCO数据集上训练YOLOv2模型。我们在此示例中使用的YOLO模型设置的版本基于在COCO数据集上训练的Y