手把手带二大爷用EasyDL实现戴口罩检测APP

1 前言

口罩作为常用的医疗用品，一直坚守在人们健康卫生的第一防线。食堂打饭，比手抖更可怕的是阿姨不戴口罩的亲切问候；工厂生产，为了避免粉尘危害呼吸道，戴口罩也是对员工规范操作的基本要求；尤其是近几年疫情影响，口罩更是成为生活必需品，逛商场、公园必须戴口罩，乘坐公共交通工具必须戴口罩，进去医院、食堂等公共场所更是必须戴口罩。

当戴口罩成为基本操作时，总有人不能很好的执行，为了监督落实，往往会增加工作人员，负责检查戴口罩情况，我退休2年的二大爷很荣幸收到某公园邀请返聘担任该职责。

刚开始一个月，二大爷干的很开心，看到有大爷大妈没戴口罩就拿着小旗子把别人拦下，从国家政策聊到国际形势，最后想起来劝别人戴口罩。后来大爷大妈看到二大爷拿着小旗走过来就赶紧戴上口罩，二大爷值班一天都没机会开口讲话，很郁闷，然后玩起了手机，但是又担心有人不戴口罩趁他不注意混进去了，回来让我们想想办法。

三大爷以他多年菜市场卖菜的经验，送了他一个大喇叭，让他拿着反复播放“入园请佩戴好口罩”的提示音。可是公园乃清净养心之地，这大喇叭整天喊总有一天要被投诉。结果没等别人投诉，二大爷自己都听的受不了，又跑来找到我，说你们都讲科技向善，倒是来帮帮我这个退休老人啊！

我想是时候该我出手了，解放双手、释放劳动力、提升工作效率。我打算训练一个模型，用来检测人脸是否戴口罩。判断人脸是否戴口罩属于图像分类问题，由于之前没做过CV，所以还要学习一下，并把背景知识和操作过程记录下来，便于二大爷亲自上手。

2 图像分类

图像分类是计算机视觉中最基础的一个任务，图像分类的目标就是将不同图片划分到不同类别，实现最小的分类误差。在这个过程中存在诸多挑战，但机遇与挑战并存。近年来随着深度学习技术的兴起，图像分类得到飞速发展，并延伸出一系列的研究方向，如：多类别图像分类，细粒度图像分类，多标签图像分类，无/半监督图像分类，零样本图像分类等。简单来说，就是从已知的类别标签集合中为给定的输入图片选定一个类别标签。

图像分类常用数据集：猫狗识别、鸢尾花识别、手写字识别。

以猫狗识别举例，假设我们的类别集为{cat,dog,other}，给出一张图：

分类模型将给该图像分配标签，并给出每个标签的概率，如：{dog:96%,cat:3.5%,other:0.5%}，根据概率，我们知道该图像中的动物是狗。

口罩检测也一样，我们有两个结果集：{unmask,mask}，通过给定的人脸照片，判断unmask和mask的概率。

图像分类常见的技术难点有以下几点：

（1）视角变化：同一个物体，摄像机可以从多个角度来展现。
（2）大小变化：物体可视的大小通常是会变化的。
（3）形变：很多东西的形状并非一成不变，会有很大变化。
（4）遮挡：目标物体可能被挡住。有时候只有物体的一小部分是可见的。
（5）光照条件：在像素层面上，光照的影响非常大。
（6）背景干扰：物体可能混入背景之中，使之难以被辨认。
（7）类内差异：一类物体的个体之间的外形差异很大，比如椅子。这一类物体有许多不同的对象，每个都有自己的外形。

传统图像分类问题的处理主要涉及三部分关键步骤：

（1）数据预处理
（2）图像特征
（3）分类模型

常见图像分类算法有：KNN、SVM、BP神经网络、CNN

涉及到的知识挺多的，为了快速高质量解决问题，并且让二大爷零门槛入门，我选择了EasyDL零门槛AI开发平台。

3 EasyDL

EasyDL从2017年11月中旬起，在国内率先推出针对AI零算法基础或者追求高效率开发的企业用户的零门槛AI开发平台，提供从数据采集、标注、清洗到模型训练、部署的一站式AI开发能力。对于各行各业有定制AI需求的企业用户来说，无论您是否具备AI基础，EasyDL设计简约，极易理解，最快5分钟即可上手学会，15分钟完成模型训练。

您采集到的原始图片、文本、音频、视频、OCR、表格等数据，经过EasyDL加工、学习、部署后，可通过公有云API调用，或部署在本地服务器、小型设备、软硬一体方案的专项适配硬件上，通过离线SDK或私有API进一步集成，流程如下：

其中，**EasyDL 图像，**支持定制基于图像进行多样化分析的AI模型，实现图像内容理解分类、图中物体检测定位等，适用于图片内容检索、安防监控、工业质检等场景。其中图像分类正是我们遇到的问题。

且支持公有云API、本地服务API和SDK的部署方式，方便我们低成本解决问题。

EasyDL不需要关注算法本身，零门槛、低成本、高精度的特性能够在最短时间帮我们解决问题。

接下来喊二大爷直接上手！

4 轻松上手

4.1 创建模型

打开EasyDL首页：https://ai.baidu.com/easydl

点击立即使用

可以看到EasyDL目前支持的各种模型类型，我们要做目标人群是否戴口罩的检测，所以选择图像分类

然后创建口罩检测的模型

填写模型名称，选择个人身份，填写邮箱、联系方式和业务描述等基本信息，放心填写，不会收到营销电话，仅用于算力资源额度不足时提醒

4.2 创建数据集

模型创建好后，需要导入数据集并训练模型，我们先创建数据集

填写数据集名称，点击完成

数据集创建完成后，导入数据

选择有标注数据集，由于我们的数据集已经标注好了，分类放在不同的文件夹下，以压缩包的形式准备着，所以选择有标注的数据集，导入方式选择本地压缩包的形式导入。标注形式为文件夹命名分类。选好之后选择上传压缩包

阅读并同意，然后上传压缩包

上传压缩包后，点击确认并返回

可以看到数据集正被导入

导入完成后，可以看到一共有183张图片，标注状态为100%，不需要手动标注

4.3 模型训练

接下来开始训练模型

首先选择我们刚刚创建的数据集

添加刚刚创建的数据集

添加好后，点击确定

接下来设置训练配置

其中，公有云部署训练的模型以公有云API的方式提供，优点是方便自己开发应用，缺点是每个人公有云免费调用额度有限，额度用完了会收费。

我们看到有限时免费的浏览器/小程序部署选项可选，这种部署方式，模型会下载到本地，通过SDK调用本地模型进行识别，免费的，不占用百度算力资源，可以离线部署，看来可以通过这种方式白嫖了。

选择浏览器/小程序部署 ，训练环境选择免费的

点击开始训练，即可看到模型已经在训练中，填了手机号之后训练完成还会短信通知自己

由于我们数据量较少，训练很快，收到训练完成短信通知后，我们回来可以看到模型效果

点击申请发布，发布模型

模型发布需要一点点时间

等模型发布完成之后，可以看到模型信息

4.4 模型体验

点击下载SDK

得到一个基于Vite的demo，代码结构：

|--public
|  |--model
|     |--model.json
|     |--chunk_1.dat
|     |--chunk_2.dat
|     |--chunk_3.dat
|--src
|  |--components
|  |--App.vue
|  |--config.json
|  |--env.d.ts
|  |--label.json
|  |--main.ts
|  |--modelInfo.json
|  |--usePredict.ts
|--index.html
|--package.json
|--READ.md
|--tsconfig.json
|--tsconfig.node.json
|--vite.config.ts
|--yarn.lock

其中public/model下的model.json、chunk_1.dat…chunk_n.dat为模型文件，src下为业务代码，index.html为入口文件

安装依赖：npm install

启动项目：npm run dev

浏览器打开http://localhost:3000，可以看到主界面

上传图片看下效果

我们可以看到，口罩检测效果还是非常好的。

在这个过程中，我们没有写一行代码，却轻松得到一个口罩检测的工具，二大爷表示，so easy！

5 产品优化

将SDK封装成APP，检测戴口罩概率大于55%时认为已经配戴口罩，否则没有配戴口罩。APP启动时打开摄像头，二大爷对着门口排队的人，每0.5秒自动拍照并检测是否戴口罩，并将结果显示在屏幕右上角

检测到未戴口罩的人时，提示未戴口罩，同时播放语音，提醒对方配戴口罩

6 产品迭代

才过了2天，二大爷又找到我，说APP好用是好用，就是要一直拿着，还不能玩手机，感觉不比原来轻松多少，问我有没有更好的方案。

我拿出祖传的树莓派，说当然有了，有了它你可以下岗了。

二大爷一惊，说那不是还要买摄像头什么的，多麻烦啊，还是算了。

又过了几天，二大爷又兴冲冲的找到我，说保卫处领导说了，这个工具很好，借助科技力量解决工作生活中的问题，是应该得到支持的，希望他老人家继续研究出更好用的产品，不用下岗，可以换岗到健康码检查岗。

一个新的产品在我脑海中已经形成：公园门口第一道闸机检测口罩，检测到人脸正常佩戴口罩闸机才开门，未佩戴口罩则提醒游客佩戴口罩。

现在二大爷每天下班就跟我一起学习，我想起之前看到一个网友问，35岁开始学编码晚不晚？你不妨从EasyDL开始，我二大爷都60多了！

7 参考文献

[1] CS231n Convolutional Neural Networks for Visual Recognition：http://cs231n.github.io/convolutional-networks/
[2] How to Retrain Inception』s Final Layer for New Categories：https://www.tensorflow.org/tutorials/image_retraining
[3] Image Augmentation for Deep Learning With Keras：http://machinelearningmastery.com/image-augmentation-deep-learning-keras/
[4] 飞桨EasyDL：https://ai.baidu.com/easydl
[5] 图像分类算法：https://blog.csdn.net/seek97/article/details/119219087