《计算机视觉之PyTorch数字图像处理》----“目标检测与模型部署”的学习

jinglixixi

《计算机视觉之PyTorch数字图像处理》----“目标检测与模型部署”的学习 [复制链接]

有了前面的学习积累，那什么是目标检测与模型部署呢？

简单来说，目标检测的目的不仅是在图像中发现对象，而且还要给出对象所在的位置。与前面介绍的分类和分割一样，深度学习在目标检测中也取得了突破性的进展。

在图像处理中，目标检测、图像分类和图像分割是其三大主力。同两个不同的是目标检测不仅要进行分类，而且还需要估计目标在图像中的位置，图1即使目标检测位置示意图。

它不仅识别了图像中的3个对像，而且还用矩形框对其进行了目标的框定。此外，目标检测中的分类处理在卷积神经网络中也已十分成熟，但目前同时预测目标分类和位置仍是一项挑战。

 

图1 目标检测位置示意图

 

经过多年的发展，目标检测的方法可划分为单阶段（One-Stage）和两阶段（Two-Stage），有锚框（Anchor Based）和无锚框（Anchor Free）等类型。不同的检测算法各有千秋，都包含了精妙的思想，并在一定时期都取得了成功，当然也还存在着某些不足。

 

以YOLOv5模型在螺丝螺母数据集上的测试为例，参见图2所示。其中（b），（c）和（d）中的螺丝和螺母均被正确的检出，特别是（d）中中间两个螺丝十分靠近也正确的得到检出，而（a）中也出现了相邻的两个螺丝没有被检出的情况。从结果可以看出，经过了20轮的训练，YOLOv5模型就已经能够很准确的检出螺丝和螺母。

 

图2 目标检测位置示意图

 

在实现了图像的分类、分割及目标检测后，将迎来最后的任务，那就是模型部署。

因为我们前面所做的任何工作，其目的都是为了应用，也就是要把所构建的模型集成到系统中。

除了PyTorch外，还要许多其它的深度学习框架，而多种框架间又各具特色，这就导致模型部署时的难度加大。

此外，深度学习模型的体型都较大，且包含与部署无关的内容，对其瘦身也将导致工作量的加大，再有就是部署环境所采用的编程语音也较为多样，需要适当予以适应。

长期原来 OpenCV被视为是最为经典且应用最为广泛的图像处理库，并提出了用于深度学习模型部署的DNN模块。受益于OpenCV在图像处理领域的深耕，DNN模块对于在无GPU环境中使用CPU进行模型的推理具有极优的性能。目前，DNN模块支持图像分类、分割、检测、文本识别、姿态估计、深度估计等各种深度学习模型。因此，当一个项目里需要经典图像处理和深度学习模型共同使用时，用OpenCV部署是最适宜的。

 

OpenVINO是Intel专门针对自家处理器和其他硬件平台，对各种深度学习模型进行优化和布署的一整套方案，见图3所示。

 

图3  OpenVINO功能示意图

 

至此，对《计算机视觉之PyTorch数字图像处理》的学习就先告一段落了，这是一本学习计算机视觉处理的好书，今后在实践中会对其加以尝试和体验。