最简单的计算机视觉_autodl transfer-CSDN博客

本文链接：https://blog.csdn.net/qq_32663053/article/details/129048631

百度为大家提供了计算机视觉模型。能够识别图像中的相关物体。

给大家介绍计算机视觉工具，EasyDL是能够识别物体，图像分类的工具，可以在线，也可以本地下载，本地下载大概1.5G。

图像识别真实距离。

图片真实距离/物体真实距离=图像物体之间距离/物体真实之间距离。

Hi，欢迎来到百度EasyDL图像

目前EasyDL图像共支持训练3种不同应用场景的模型：

图像分类

识别一张图中是否是某类物体/状态/场景。可以识别图片中主体单一的场景

物体检测

在一张图包含多个物体的情况下，定制识别出每个物体的位置、数量、名称。可以识别图片中有多个主体的场景

图像分割

对比物体检测，支持用多边形标注训练数据，模型可像素级识别目标。适合图中有多个主体、需识别其位置或轮廓的场景

产品优势

可视化操作

无需机器学习专业知识，模型创建-数据上传-模型训练-模型发布全流程可视化便捷操作，最快15分钟即可获得一个高精度模型

操作步骤

Step 1 创建模型

确定模型名称，记录希望模型实现的功能

Step 2 上传并标注数据

分类功能的模型：只需按分类（如合格图片vs不合格图片）上传图片即可

检测功能的模型：上传数据后，需要在数据中标注出需要检测的具体目标

分割功能的模型：上传数据后，需要在数据中标注出需要识别物体的轮廓

Step 3 训练模型并校验效果

选择部署方式与算法，用上传的数据一键训练模型

模型训练完成后，可在线校验模型效果

Step 4 发布模型

根据训练时选择的部署方式，将模型以云端API、本地部署SDK、端云协同部署包等多种方式发布使用

更详细的操作指导，请参考各类模型的技术文档

高精度效果

EasyDL图像底层结合百度 AutoDL/AutoML技术，针对用户数据能够自动获得最优模型和最优超参组合，进而基于少量数据就能获得出色性能和模型效果
EasyDL图像以百度独有超大规模预训练模型为基座，小量级数据进行训练也可获得高精度模型

高精算法

采用PaddlePaddle深度学习框架结合Auto Model Search，保证模型效果领先
训练图像分类和物体检测模型时，均支持选择多种算法，满足不同场景对性能、效果的不同需求；还有专项精度提升配置包，包含自动超参搜索、小目标检测等精度优化功能，针对优化模型效果

AutoDL

训练图像分类模型时，支持选择AutoDL Transfer

AutoDL Transfer模型是百度研发的AutoDL技术之一，结合了模型网络结构搜索、迁移学习技术、并针对用户数据进行自动优化。与通用算法相比，训练时间较长，但更适用于细分类场景。例如，通用算法可用于区分猫和狗，但如果要区分不同品种的猫，则AutoDL效果会更好

免训练极速迭代

训练图像分类模型之后，支持开启免训练极速迭代模式。该模式基于深度度量学习技术（Deep Metric Learning），模式开启后，模型的迭代添加数据仅需等待几分钟即可获得效果不错的模型，无需训练。适用于数据量大，模型迭代频繁的用户需求场景。

丰富的部署方案

训练完成后，可将模型部署在公有云服务器、私有服务器，封装成可离线运行的设备端SDK，或直接购买软硬一体方案，灵活适配各种使用场景及运行环境，也可直接发布为端云协同部署包，下发至边缘设备进行应用
本地部署的性能评测详细信息可见模型算法推理性能大表

部署方式	支持的硬件	支持的系统	技术文档
公有云API	可集成公有云API即可	不限制	图像分类物体检测图像分割
私有服务器部署 [私有API]	x86-64 CPU	Linux	图像分类物体检测图像分割
	Nvidia GPU	Linux	图像分类物体检测图像分割
私有服务器部署 [服务器端SDK]	x86-64 CPU	Linux	图像分类物体检测图像分割
	Nvidia GPU	Linux/Windows	图像分类物体检测图像分割
	HUAWEI Atlas 300	Linux	图像分类物体检测
通用设备端SDK	ARM (AArch64, ARMv7l)	Linux	图像分类物体检测图像分割
	Hisilicon NNIE	Linux	图像分类物体检测
	HUAWEI Atlas 200	Linux	图像分类物体检测
	ARM	Android/iOS	图像分类物体检测图像分割
	Qualcomm Snapdragon GPU/DSP	Android	图像分类物体检测
	Hisilicon Kirin NPU	Android	图像分类物体检测
	Apple A-Bionic	iOS	图像分类物体检测
	x86-64 CPU	Windows	图像分类物体检测图像分割
	Intel Movidius NCS (MyRIAD 2/MyRIAD X)	Linux/Windows	图像分类物体检测
专项硬件适配SDK [软硬一体方案]	Baidu-EdgeBoard(FZ)	Linux	方案介绍及对比
	Baidu-EdgeBoard(VMX)	Linux/Windows
	Nvidia-Jetson(Nano/TX2/Xavier)	Linux
端云协同部署	x86-64 CPU	Linux	图像分类物体检测图像分割
	ARM (AArch64, ARMv7l)	Linux

公有云API

支持图像分类、物体检测、图像分割模型

训练完成的模型存储在云端，可通过独立Rest API调用模型，实现AI能力与业务系统或硬件设备整合

具有完善的鉴权、流控等安全机制，GPU集群稳定承载高并发请求

支持查找云端模型识别错误的数据，纠正结果并将其加入模型迭代的训练集，不断优化模型效果

私有服务器部署

支持图像分类、物体检测、图像分割模型

将训练完成的模型部署在私有CPU/GPU服务器上，支持私有API和服务器端SDK两种集成方式，可在内网/无网环境下使用模型，确保数据隐私

私有API：将模型以Docker形式在本地服务器（仅支持Linux）上部署为http服务，可调用与公有云API功能相同的接口。可纯离线完成部署，服务调用便捷
服务器端SDK：将模型封装成适配本地服务器（支持Linux和Windows）的SDK，可集成在其他程序中运行。首次联网激活后即可纯离线运行，占用服务器资源更少，使用方法更灵活