ECV2023｜安全帶規(guī)范佩戴檢測冠軍方案分享
點擊下方卡片，關(guān)注“新機器視覺”公眾號
重磅干貨，第一時間送達
作者丨山東大學萬有引力 編輯丨極市平臺 導(dǎo)讀
本文為ECV2023安全帶規(guī)范佩戴檢測賽題的冠軍方案分享，詳細的闡述了該賽題的分析和算法實現(xiàn)流程。
1.賽題分析：題目解讀
項目背景：安全帶規(guī)范佩戴檢測算法主要用在建筑工地等施工現(xiàn)場，檢測施工人員是否佩戴了安全帶，從而提升施工區(qū)域內(nèi)的管控工作效率，保證施工人員的人身安全。
訓(xùn)練集：訓(xùn)練數(shù)據(jù)包含9000張圖片；測試集包含1000張圖片；
評價指標：模型榜和算法榜都采用準確率、算法性能絕對值綜合得分的形式，其中IoU為0.5. Score=算法精度 * 0. 95 + 算法性能值 * 0.05
從賽題中可以得到如下的重要信息:
目標檢測類問題 類別種類共三類：belt，belt_person，no_belt_person 通過上面的分析，我們有了一個簡單的猜測：
安全帶類別相比于其他兩個類別，屬于是“小目標”，如下面兩個圖所示，我們認為可能是影響最終排名的決定性因素。
2.賽題分析：模型選擇
一個合適的模型將直接決定最終的結(jié)果，我們以賽題提供的代碼作為baseline（極市目標檢測開發(fā)套件）先熟悉極視平臺訓(xùn)練流程（我們是第一次參加極市的比賽）；然后跑通baseline；
極市開發(fā)套件包含了三個模型的運行腳本：yolov5，yolox，yolov7。這里我們選擇了yolov5：
YOLOv5的部署比較完善，推理速度快。 參數(shù)量也比較合適 3. 算法流程及實現(xiàn)
3.1 劃分訓(xùn)練集和測試集
我們首先調(diào)整的參數(shù)是，提高訓(xùn)練集和驗證集的比例：8:2 —> 9:1
進行這個參數(shù)的特征，主要有如下兩點考慮：
訓(xùn)練數(shù)據(jù)一共有9000張圖片，總體比較少； 希望模型能接觸到更多訓(xùn)練數(shù)據(jù)； 使用更多的訓(xùn)練數(shù)據(jù)進行模型的訓(xùn)練，也有可能帶來一定的危害，如測試集合過少，驗證出的最優(yōu)模型可能在測試集上并不是最優(yōu)的，也就是驗證集過少，可能不能驗證模型的真實性能，但是值得一試。
具體的實現(xiàn)方式：采用隨機劃分
實驗表明，我們的修改是正確的，提高了模型的f-score
3.2 標簽平滑
為了更好的性能，我們使用了標簽平滑的技術(shù)，標簽平滑是一種正則化的策略，通過soft label來加入噪聲，減少真實樣本的類別在計算損失時的權(quán)重，起到抑制過擬合的效果。除此之外，該方法還可以提高模型的泛化能力。
我們的平滑參數(shù)設(shè)置：??=0.1，獲得了模型榜第一名
3.3數(shù)據(jù)增強
數(shù)據(jù)增強有多種方式，這里我們幾乎能用的數(shù)據(jù)增強方式都用到了：
隨機旋轉(zhuǎn)、隨機裁剪、隨機觀察角度 隨機模糊、隨機灰度化、降低圖像質(zhì)量 在HSV顏色空間上進行數(shù)據(jù)增強，像素級別數(shù)據(jù)增強 Mosaic：一張主圖和隨機三張圖片平成一張圖片 MixUp：將原圖和隨機選取的圖片進行混合 數(shù)據(jù)增強對于提高模型的泛化能力和提高模型識別的準確率非常重要。
4 測試結(jié)果分析
采用上面的方法改進后，我們對模型進行了訓(xùn)練和測試，結(jié)果如上圖所示，可以看到，模型的f-score是0.9565，已經(jīng)是比較高的了。這說明訓(xùn)練和測試的數(shù)據(jù)并不復(fù)雜，簡單的yolov5s模型就可以學習到比較好的特征。
然后我們還分析了每個類別的精確率和召回率，我們發(fā)現(xiàn)，belt和belt_person兩個類別無論是精確率還是召回率都非常高，no_belt_person反而是最低的。
這和我們最初的猜測是相違背的，我們猜測，可能是因為：
belt和belt_person兩個類別是有關(guān)聯(lián)的，模型可學習到了這種關(guān)聯(lián)，因此belt的識別率并不低，而no_belt_person需要分別出沒有帶belt，反而性能降低了； belt和belt_person是“相容”的，而no_belt_person與之不“相容”； 5 其他模型嘗試
除了yolov5s之外，我們也嘗試了yolov7和yolox。
在精度方面：yolov7精度表現(xiàn)和yolov5s基本相同，而yolox精度則要低一些。
在性能方面：yolov5s的性能幾乎是他們的兩倍。
綜上，我們考慮使用yolov5s作為最終的檢測框架。
6 模型測試階段調(diào)試
在查看測試結(jié)果的時候，我們發(fā)現(xiàn)每個類型的精確率都是低于召回率的。考量模型性能的一個指標是f-score，而f-score是精確率和召回率的調(diào)和平均值，如下面公式所示：
可以通過簡單的數(shù)據(jù)分析可以知道，f-score的值只有在Precision和Recall都很高的情況下才會變得高。目前我們是召回率很高，通過提高置信度的閾值，由原來的0.2提高到0.45，損失一點召回率，提高了模型的精確率，最終提高f-score也是非常值得的。實驗的結(jié)果也證明了我們的想法。
7 模型部署
起初，我們使用了極市平臺提供的C++部署套件，并按照賽題的要求，修改其中的業(yè)務(wù)邏輯，并使用tensorRT進行加速。但是最終的測試性能，卻遠沒有我們預(yù)想的那么快，可能是出現(xiàn)了bug。后期，因為平臺也支持python，所以我們最終采用python代碼來進行測試，先將pytorch模型轉(zhuǎn)換成onnx模型，然后再使用tensorRT進行優(yōu)化。
配置好一切的環(huán)境后，在部署榜上的性能結(jié)果基本上接近模型榜的上的性能。
8. 總結(jié)及可能的改進
總結(jié)：
數(shù)據(jù)并不復(fù)雜，不需要特別大的模型 使用多個數(shù)據(jù)增強，提高模型的泛化能力 可以增加正則損失，避免模型過擬合 要根據(jù)訓(xùn)練結(jié)果調(diào)整訓(xùn)練參數(shù)，置信度閾值等等參數(shù) 推理性能，使用TensorRT進行推理優(yōu)化。 可能的改進：
嘗試使用半精度推理，進一步提高模型的性能 嘗試模型融合，多個模型的結(jié)果進行合并，進一步提高f-score 采用交叉驗證方式，選擇更好的模型參數(shù)
聲明：部分內(nèi)容來源于網(wǎng)絡(luò)，僅供讀者學習、交流之目的。文章版權(quán)歸原作者所有。如有不妥，請聯(lián)系刪除。