深度学习的宝库 PaddlePaddle CV7日打卡营 记录

时间	项目
day1	新冠疫情可视化
day2	10种手势数字的识别
day3	全国车牌号识别
day4	佩戴口罩识别
day5	不同场所人流密度检测（比赛）
day6	paddleHub,paddleSlim体验
day7	结营

链接:https://aistudio.baidu.com/aistudio/course

day1 新冠疫情可视化

一、数据准备
在数据准备阶段 ，采用爬取丁香园的开源的每日疫情数据
流程
1.发送请求（requests模块）
2.获取响应数据（服务器返回）
3.解析并提取数据（re正则）
4.保存数据
二 数据可视化
数据可视化使用的工具是pyecharts ，Echarts 是一个由百度开源的数据可视化工具，有着良好的交互性，精巧的图表设计

day2 手势识别

一、 训练数据
训练数据的样式是

二、模型选择
此次训练，采用模型为resnet
引入Resnet网络

三、优化方式
1在进行数据处理的时候，除了对图片数据进行归一化外，可以使用PIL对图片数据进行 左右旋转，亮度,对比度的增强
2可以使用 BN层对卷积后的特征图进行标准化操作，且可以在全连接阶段使用 dropout 来进行减少过拟合的操作

day 3 车牌识别

一 、训练数据
训练数据是已经切分好的的车牌照图片一共有65类，且图片是单通道2020的大小，在考虑设计模型的时候要想到不可使用层数过深的网络

二、模型选择
最后选用的是 LeNet 的魔改版，由于训练集的图片本来就只有2020的大小，所以抛弃使用LeNet 中对图片进行 pooling下采样的（特征图大小缩减一半），改为使用 步长为1,这样pooling层只会缩减的很小

三、优化方式
优化的方式中因为是输入的数据是单通道的，所以亮度，对比度等颜色变化对图片数据的增强效果不明显，着重考虑 图片角度的变化对图片数据的增强，最终选定了 对图片进行左右15度的偏转 对图片数据进行增强

day4 口罩识别

一、数据集
此数据集给出的模型，人物的脸部大都在中间位置，随意此检测模型的实现较为简单只需要进行简单的二分类，不需要对目标先进行 目标检测（找到人物的在图片中位置）

二、模型的选择
此次选用经典的VGG16模型

三、优化调整
因为只是简单的二分类模型，在使用此网络的时候唯一注意的一点是可以减少全连接层的大小，避免参数冗余

day5 人流密度检测

一、数据集
本竞赛所用训练和测试图片均来自一般监控场景，但包括多种视角（如低空、高空、鱼眼等），图中行人的相对尺寸也会有较大差异。部分训练数据参考了公开数据集（如ShanghaiTech [1], UCF-CC-50 [2], WorldExpo’10 [3]，Mall [4] 等）。

本竞赛的数据标注均在对应json文件中，每张训练图片的标注为以下两种方式之一：

（1）部分数据对图中行人提供了方框标注（boundingbox），格式为[x, y, w, h][x,y,w,h]；
（2）部分图对图中行人提供了头部的打点标注，坐标格式为[x, y][x,y]。
此外部分图片还提供了忽略区（ignore_region）标注，格式为[x_0, y_0, x_1, y_1, …, x_n, y_n]组成的多边形（注意一张图片可能有多个多边形忽略区），图片在忽略区内的部分不参与训练/测试


二、模型选择
由于数据集的限制，有一部分图片并没有4点的标准信息，所以使用SSD网络进行目标检测对于自己难度太大，（其实就是自己能力不足），最后采用的的是ResNet+密度图 的方式，把图片转为密度图的形式进行判断

三、优化方式
此次模型是自己的知识盲区，只能对一些简单的参数值进行调整，目前看来效果不大，以后能力提高再使用目标检测模型来提高精度

day 6 Paddleslim 模型压缩

模型压缩是对于深度学习训练后 的模型权重参数进行 压缩，目的是为了减少参数冗余量，在不影响模型精度（或精度损失很小）的情况提高模型推理的推理速度以便于 更好让模型进行部署

day 7 结营总结

对于自己：虽然此次打卡营只有短短的7天时间，可对我来说还是学到了许多的东西。最大的感悟是从数据集准备到模型部署这一体的流程 是很难在书本上学全的，对于模型参数的调优如果没有亲手调试，就没有深刻的感悟。
对于平台：接触到 paddlepaddle 飞桨 平台 给我最大的感受就是 深度学习开源平台的完善，从paddle框架的安装到paddle模型的部署 每一步的知识 我都可以在上边找到，这些知识弥补了我在寻找这些教程时的盲目，再加上结合上了AI studio ,这两个平台的一起使用对我个人能力提升 将会非常明显
最后感谢班主任和各位老师这段时间的辛苦付出，谢谢你们！（下次打卡营我还会来的）

参考链接https://me.csdn.net/qq_24739717