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。 1.2. 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 1.3. 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。

2. 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。

2.1. 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：

2.2. 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。 2.3. 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(标签：youche)和消防车(标签：xiaofang)。 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： • 目前支持图片类型为png、jpg、bmp、jpeg，图片大小限制在4M以内 • 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： • 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。 • 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 2.4. 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。 2.5. 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：

2.6. 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：

2.7. 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：

2.8. 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, 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。 3.3. 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', 
                           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：