【推荐】2019 Java 开发者跳槽指南.pdf(吐血整理) >>> 
1、简介：
1.1 什么是EasyDL专业版
EasyDL专业版是EasyDL在2019年10月下旬全新推出的针对AI初学者或者AI专业工程师的企业用户及开发者推出的AI模型训练与服务平台，目前支持视觉及自然语言处理两大技术方向，内置百度海量数据训练的预训练模型，可灵活脚本调参，只需少量数据可达到优模型效果。
适用人群
专业AI工程师且追求灵活、深度调参的企业或个人开发者
支持定制模型类型
支持视觉及自然语言处理两大技术方向
视觉：支持图像分类及物体检测两类模型训练
任务类型 预置算法
图像分类 Resnet(50,101)、Se_Resnext(50,101)、Mobilenet Nasnet
物体检测 FasterRCNN、YoloV3、mobilenetSSD
自然语言处理：支持文本分类及短文本匹配两类模型训练，内置百度百亿级数据所训练出的预训练模型ENNIE.
ERNIE(艾尼）是百度自研持续学习语义理解框架，该框架可持续学习海量数据中的知识。基于该框架的ERNIE2.0预训练模型，已累计学习10亿多知识，中英文效果全面领先，适用于各类NLP应用场景。
任务类型 预置网络
文本分类 BOW、CNN、GRU、TextCNN、LSTM、BiLSTM
短文本匹配 SimNet(BOW、CNN、GRU、LSTM)、FC
1.2 EasyDL专业版特点
预置百度百亿级数据规模的预训练模型，包括丰富的视觉模型及自然语言处理模型ERNIE，训练效果更突出。
对比经典版，支持代码级调整模型参数和模型结构，封装底层算法逻辑细节，代码行数更少，更易有算法基础的开发者上手。
支持从数据管理，模型训练到模型部署一站式AI服务
如果说EasyDL经典版是倚天剑，PaddlePaddle是屠龙刀，那么EasyDL专业版就是刀剑合璧。
1.3 评测案例
该应用为一个特种车辆识别的应用，主要识别邮车和消防车，未来可以扩展加入更多的车辆种类，对于特种车辆管理有很好的应用价值。
2、训练及目标检测：
2.0 整体说明
EasyDL专业版的工作流程如下图所示：
EasyDL专业版的主界面如下图所示：
业务需求：
需要对各种特种车辆进行识别，在本评测中为邮车、消防车两种。
2.1 上传并标注数据
首先需要建立特种车辆数据集，在主界面上点击“数据管理/标注”就可以进入数据管理界面，具体步骤如下
① 设计标签
在上传之前确定想要识别哪几种物体，并上传含有这些物体的图片。每个标签对应想要在图片中识别出的一种物体。在本例中只有2个标签，就是邮车和消防车。例如
② 准备图片
基于设计好的标签准备图片：
每种要识别的物体在所有图片中出现的数量最好大于50
如果某些标签的图片具有相似性，需要增加更多图片
一个模型的图片总量限制4张~10万张
图片格式要求：
1、目前支持图片类型为png、jpg、bmp、jpeg，图片大小限制在4M以内
2、图片长宽比在3:1以内，其中最长边小于4096px，最短边大于30px
图片内容要求：
1、训练图片和实际场景要识别的图片拍摄环境一致，举例：如果实际要识别的图片是摄像头俯拍的，那训练图片就不能用网上下载的目标正面图片
2、每个标签的图片需要覆盖实际场景里面的可能性，如拍照角度、光线明暗的变化，训练集覆盖的场景越多，模型的泛化能力越强
本例中从网上找了30多张不同角度的特种车辆图片。（因为是测试版，所以图片较少，实际应用的时候每种标签的图片不应少于50）
③上传和标注图片
先在【创建数据集】页面创建数据集：
如果训练数据需要多人分工标注，可以创建多个数据集。将训练数据分批上传到这些数据集后，再将数据集"共享"给自己的小伙伴，同步进行标注。
再进入【数据标注/上传】：
1、选择数据集
2、上传已准备好的图片
3、在标注区域内进行标注
首先在标注框上方找到工具栏，点击标注按钮在图片中拖动画框，圈出要识别的目标，如下图所示：
然后在右侧的标签栏中，增加新标签，或选择已有标签
2.2、创建项目和任务
在主界面点击“全部训练任务”即可进入项目界面：
点击新建项目，填写相关信息信息，即可创建项目。
在本次评测中我们使用物体检测
创建项目后在新建的项目内选择创建任务，以建立一个新的任务：
按要求输入信息，数据集及验证集选择我们上一步建立的数据集youche和youchevalid。
网络方面，因为我们这次主要是对位置进行确认，对BoundingBox要求不高，所以先选用YOLO。
大家看脚本编辑框里面的内容可以发现就是采用PaddlePaddle实现模型功能的Python代码。点击脚本编辑框里面的立即编辑按钮可以对生成的脚本进行编辑，方便进行客户化的定制。
选择保存就可以将任务保存。
2.3 训练模型
在任务界面中点击提交训练任务，就可以开始训练模型，因为我们这次准备的数据不多，所以有一个提示，点击继续训练就好：
运行开始后可以看到本任务的状态为运行中：
可以点击日志，查看运行情况：
训练时间与数据量大小有关，1000张图片可能需要几个小时训练，不过本评测案例因为只有不到40张图，所以速度很快。运行成功有界面如图：
2.4 校验模型效果
可通过模型评估报告或模型校验了解模型效果：
选择一张测试图：
感觉效果还可以，虽然BoundingBox有点偏差，不过主要是因为训练集太小以及采用了追求速度的YOLO算法。如果增加训练集以及采用FastRCNN会有不小的提升。
还可以选择“模型效果”查看模型信息：
2.5 模型部署
为了应用模型，需要对模型进行部署，点击“部署”按钮进入部署界面：
本次选择公有云部署，录入相关的信息，发布模型生成在线API：
发布后的服务，可以在“我的服务”中进行查看，修改：
2.6 接口赋权
在正式使用之前，还需要做的一项工作为接口赋权，需要登录EasyDL控制台中创建一个应用，获得由一串数字组成的appid，然后就可以参考接口文档正式使用了
也可以直接点击服务界面的"立即使用"进入赋权界面:
3、测试不同算法：
现在物体检测支持 FasterRCNN、YoloV3、mobilenetSSD，三种算法。我们在第2章使用的是YoloV3，在本章我们将对其他两种算法建立不同版本的服务，并互相进行对比。
3.1 算法简介：
目标检测可以理解为是物体识别和物体定位的综合，不仅仅要识别出物体属于哪个分类，更重要的是得到物体在图片中的具体位置。因为具体算法内容很长，在这里只能进行一个简单的说明。
为了完成这两个任务，目标检测模型分为两类。一类是two-stage，将物体识别和物体定位分为两个步骤，分别完成，这一类的典型代表是R-CNN, fast R-CNN, faster-RCNN家族。他们识别错误率低，漏识别率也较低，但速度较慢，不能满足实时检测场景。为了解决这一问题，另一类方式出现了，称为one-stage, 典型代表是Yolo, SSD, YoloV2, YoloV3等。他们识别速度很快，可以达到实时性要求，而且准确率也基本能达到faster R-CNN的水平。
Faster R-CNN准确率mAP较高，漏检率recall较低，但速度较慢。而yolo则相反，速度快，但准确率和漏检率不尽人意。SSD综合了他们的优缺点。它的贡献在于它利用了多层网络特征，而不仅仅是FC7。
3.2 V2版（Fast RCNN）：
在任务界面选择新建任务：
具体操作参考第2章的内容即可，区别在于网络选择Faster_R-CNN-ResNet50-FPN。训练后的模型效果如下所示：
可以发现在评测集上，FasterRCNN算法的效果很好，让我们验证一下具体的效果。选择与V1版一样的图片进行验证，效果如下：
可以看到，效果的确比YOLOV3的效果要好一些，圈取的内容更加准确。
3.2 V3版（SSD）：
具体操作参考第2章的内容即可，区别在于网络选择SSD。训练后的模型效果如下所示：
选择与V1版一样的图片进行验证，效果如下：
4、应用评测及结论：
4.1 评测代码
按照服务API的说明，针对V1版（YOLOV3）的服务，编写调用代码(Python3)。需要注意的是与其他图像识别服务不同的是定制化图像识别服务以json方式请求。
Body请求示例：
{
"image": ""
}
具体代码如下：
import urllib
import base64
import json
import time
import urllib3
#获取token
def get_token():
host = 'https://aip.baidubce.com/oauth/2.0/token?grant_type=client_credentials&client_id=' + client_id + '&client_secret=' + client_secret
request = urllib.request.Request(host)
request.add_header('Content-Type', 'application/json; charset=UTF-8')
response = urllib.request.urlopen(request)
token_content = response.read()
#print (token_content)
if token_content:
token_info = json.loads(token_content)
token_key = token_info['access_token']
return token_key
#保存图片
def save_base_image(img_str,filename):
img_data = base64.b64decode(img_str)
with open(filename, 'wb') as f:
f.write(img_data)
#画识别结果
def draw_result(originfilename,results,resultfilename,fontsize):
from PIL import Image, ImageDraw,ImageFont
image_origin = Image.open(originfilename)
draw =ImageDraw.Draw(image_origin)
setFont = ImageFont.truetype('C:/windows/fonts/simhei.ttf', fontsize)
for result in results:
location=result['location']
draw.rectangle((location['left'],location['top'],location['left']+location['width'],location['top']+location['height']),outline = "red")
draw.text((location['left'],location['top']), result['name']+', Score:'+str(round(result['score'],3)),"blue",font=setFont)
image_origin.save(resultfilename, "JPEG")
def specialcar(filename,resultfilename,fontsize):
url = "https://aip.baidubce.com/rpc/2.0/ai_custom_pro/v1/detection/specialcar"
# 二进制方式打开图片文件
f = open(filename, 'rb')
img = base64.b64encode(f.read())
access_token = get_token()
url=url+'?access_token='+access_token
begin = time.perf_counter()
#img参数进行一下str转换
params={'image':''+str(img,'utf-8')+''}
#对参数params数据进行json处理
encoded_data = json.dumps(params).encode('utf-8')
request=urllib3.PoolManager().request('POST',
url,
body=encoded_data,
headers={'Content-Type':'application/json'})
#对返回的byte字节进行处理。Python3输出位串，而不是可读的字符串，需要进行转换
content = str(request.data,'utf-8')
end = time.perf_counter()
print('处理时长:'+'%.2f'%(end-begin)+'秒')
if content:
#print(content)
data = json.loads(content)
#print(data)
results=data['results']
print(results)
draw_result(filename,results,resultfilename,fontsize)
4.2 测试结果：
首先是消防车及识别结果:：
邮车及识别结果：
速度非常快，效果也很不错，虽然BoundingBox有点偏差，不过主要是因为训练集太小以及采用了追求速度的YOLO算法。如果增加训练集以及采用FastRCNN会有不小的提升。
4.3 评测结论
EasyDL专业版是我非常喜欢的一个功能，它将EasyDL图形开发的易用性及编程的灵活性结合在一起。在提供了很多便利的同时，又将控制权交给了客户，让客户可以更加灵活的使用深度学习技术，激发无限的可能。感觉非常的棒，后续我准备增加训练集再试一下，看看能提高多少，然后再尝试一下离线部署成Docker的效果，建议大家都试一下。
评测后有一些优化建议：
希望百度后续能增加更多的模型，比如Mask RCNN等；
希望能支持不规则形状的BoundingBox。
希望后续支持数据导入功能，将线下已经打好标的数据直接导入。
建议在主界面的“我的数据”Tab页面里面增加新增功能，方便操作。
来源：oschina
链接：https://my.oschina.net/u/4438602/blog/3155422