在工厂、建筑工地、矿井等施工现场，安全帽是保障在场人员安全的重要防护配备。但当人员未佩带安全帽进入施工场所时，靠人为监管耗时耗力，不易实时监管。针对上述问题，探究智能化转型的企业开始经过视频监控->方针检测->智能督导的方式智能、高效地完成此使命。

本次飞桨工业实践典范库开源工业职业典型运用安全帽检测，供给了从数据预备、模型练习及优化的全流程可复用计划，下降工业落地门槛，适用于工地、工厂、电厂、矿井等多种场景。

图1 施工现场

所有源码及教程均已开源 欢迎咱们运用，star鼓励~

⭐点击【阅览原文】GET项目链接

⭐github.com/PaddlePaddl…

场景难点

• 精度要求高： 触及安全问题，检测精度需非常高才能确保对施工场所人员的安全督导，因而需求专门针对此方针的检测算法进行优化。

• 现场环境复杂： 监控受拍摄角度、光线变化、天气影响，有时会存在遮挡，导致安全帽显现不全，对检测具有必定的搅扰。

• 存在小方针状况： 实践运用过程中，人员离镜头较远，因而需求模型对小方针的检测有较低的漏检率。

图2 小方针检测

计划设计

本项目利用开源数据集基于PaddleX中单阶段方针检测模型完成安全帽检测使命。运用PaddleX供给的paddlex.det.coco_error_analysis接口对基线模型在验证集上猜测过错的原因进行剖析，选用了一系列优化过程如IoU-aware、替换backbone等方法提升模型精度，最后在NV Jetson上布置运用。

模型练习过程如下：

图3 基于PaddleX完成方针检测模型练习

模型优化战略和效果

本项目选用YOLOv3模型作为基线模型，backbone为DarkNet53。优化战略包含backbone替换、模型架构替换、输入图像巨细改动、IoU-aware、label smooth等优化技巧。

选用PaddleX在Tesla V100上测验模型的推理时刻（输入数据复制至GPU的时刻、核算时刻、数据复制至CPU的时刻），不同优化计划成果如下表，具体的优化计划欢迎咱们报名直播课学习。

模型布置

在模型优化完毕后，依据咱们实践运用需求，选择最合适的模型进行布置和运用。首先，将模型导出成静态图模型，然后选用PaddleX供给的C++ inference布置计划，在该计划中供给了在端侧设备Jetson布置Demo，用户可依据实践状况自行参考：

github.com/cjh30208897…

典范运用东西介绍

PaddleX是百度飞桨全流程开发东西，以低代码的形式支撑开发者快速完成工业实践项目落地。PaddleX 集成飞桨智能视觉领域图像分类、方针检测、语义切割、实例切割使命才能，将深度学习开发全流程从数据预备、模型练习与优化到多端布置端到端打通，并供给一致使命API接口及图形化开发界面Demo。开发者无需别离装置不同套件，以低代码的形式即可快速完成飞桨全流程开发。

PaddleX 经过质检、安防、巡检、遥感、零售、医疗等十多个职业实践运用场景验证，沉积工业实践经历，并供给丰厚的事例实践教程，全程助力开发者工业实践落地。

飞桨工业实践典范助力企业跨越AI落地鸿沟

飞桨工业实践典范，致力于加快AI在工业落地的前进途径，削减理论技能与工业运用的差距。典范来源于工业真实业务场景，经过完好的代码完成，供给从数据预备到模型布置的计划过程解析，堪称工业落地的“主动导航”。

• 真实工业场景： 与实践具有AI运用的企业协作共建，选取企业高频需求的AI运用场景如才智城市-安全帽检测、智能制作-表计读数等；
• 完好代码完成： 供给可一键运转的代码，在“AI Studio一站式开发渠道”上运用免费算力一键Notebook运转；
• 具体过程解析： 深度解析从数据预备和处理、模型选择、模型优化和布置的AI落地全流程，同享可复用的模型调参和优化经历；
• 直达项目落地： 百度高工手把手教用户进行全流程代码实践，轻松直达项目POC阶段。

相关阅览

• 公共场所人流数据统计怎么完成？处理重识别、漏检等检测难题

• 金融工业运用详解 | 表单主动识别、稳妥智能问答端到端计划

• NLP工业运用实战，谈论观念抽取与剖析和文本语义检索深度详解

引用说明

图片1、2来源商用免费版权网站