EasyDL图像介绍
任务简介
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
设备端SDK
支持图像分类、物体检测、图像分割模型
训练完成的模型被打包成适配智能硬件（不含服务器）的SDK，可进行设备端离线计算。满足推理阶段数据敏感性要求、更快的响应速度要求
支持iOS、Android、Linux、Windows四种操作系统，基础接口封装完善，满足灵活的应用侧二次开发
提供基础版、加速版（已支持通用x86、通用ARM芯片）两种版本，可根据业务场景需求选择。了解加速版性能：图像分类 物体检测
软硬一体方案
支持图像分类、物体检测模型，了解更多
提供与模型深度适配的高性能硬件方案，多种算力、价位可选
可应用于工业分拣、视频监控等多种设备端离线计算场景，让离线AI落地更轻松
智能数据服务
全方位支持训练数据的采集、标注、质检、增强，助力提升模型效果
数据采集
在云服务调用数据管理中，可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
可实现训练数据的持续丰富和模型效果的持续优化
智能标注
针对物体检测模型，可通过智能标注降低标注成本
启动后，只需标注数据集30%左右的数据即可训练出同等效果的模型
在图像分割任务中还提供“自动识别轮廓标注”来自动标注目标轮廓，降低标注成本
多人标注
训练物体检测模型前，可与其他用户共享数据集，实现多人分工标注数据后再集中训练模型
采集/标注支持
联合第三方数据标注合作伙伴，提供全面且高质量的训练数据采集、标注服务
可在AI市场选择合适的数据服务商