PP-YOLO優化策略與案例分享 -- 電力巡檢
阿新 • • 發佈：2020-10-22
目錄
- 前言
- 無人電力巡檢低成本部署方案
- PP-YOLO優化深度解析
- 總結
前言
PP-YOLO優化策略與案例分享
- PP-YOLO詳解
- YOLO模型速度和精度的優化
- 電力巡檢案例
初稿，後續會更新和完善此部落格
無人電力巡檢低成本部署方案
無人巡檢應用場景
專案背景
輸電線路環境檢測
- 邊緣節點攝像機實時採集影象
- 端側節點模型實時檢測安全隱患
- 安全隱患上報視覺化管控平臺
- 人員複核和檢修
方案選擇
專案難點
- 複雜環境下多尺度多目標檢測
- 已部署的智慧監控裝置低端嵌入式晶片，算力小，功耗低
- 監控裝置留給模型記憶體餘量200M
- 準確率，誤報率，漏檢率有較高要求，速度需要達到秒級
方案選擇
精度達到了要求，但是速度太慢，模型太大
解決方案
- 訓練：精度和預測速度價效比高的YOLOv3-MobileNetV1模型
- 剪裁+量化： 減小模型大小和計算量
- 蒸餾： 提升模型精度，teacher模型YOLOv3-EesNet34
- 部署：PaddleLite
注：PaddleDetection內建提供剪裁、蒸餾、量化指令碼和部署方案，可一鍵式執行
最終效果：
精度無損，模型大小360m -> 122M,推理時延3.4s -> 2.0s，使用PaddleLite完成監控裝置部署
實際案例
PP-YOLO優化深度解析
YOLOv3及優化模型
PP-YOLO深度解析
PP-YOLO
- 基於YOLOv3的優化模型
- 儘量不引入額外計算量大的trick
- COCO mAP=45.9%，V100 FPS=72.9
- 精度速度均優於YOLOv4
PP-YOLO文件
PP-YOLO模型結構
目標檢測模型優化方法
PP-YOLO精度提升歷程-1
YOLOv3-DarkNet53優化
Image Mixup
Label Smooth
Synchronized Batch Norm
PP-YOLO精度提升歷程-2
ResNet-D
Deformable Conv
PP-YOLO精度提升歷程-3
Drop Block
Exponential Moving Average
Larger Batch Size
PP-YOLO精度提升歷程-4
IoU Loss
PP-YOLO精度提升歷程-5
IoU Aware
PP-YOLO精度提升歷程-6
Grid Sensitive
PP-YOLO精度提升歷程-7
Matrix NMS
PP-YOLO精度提升歷程-8
Coorf Conv
PP-YOLO精度提升歷程-9
SPP
PP-YOLO精度提升歷程-10
SSLD
PP-YOLO精度提升歷程-11
總結
-
YOLOv3企業應用案例
- 模型小，速度快，精度有一定要求，選擇YOLOv3-MobileNetV1模型
- 使用卷積通道裁剪+量化壓縮模型體積，提升預測速度
- 使用蒸餾提升模型精度
- 基於PaddleLite完成端側部署
-
PP-YOLO優化
- 骨幹網路：ResNet50vd-DCN
- 訓練策略：Larger Batch Size + EMA + DropBlock
- 損失函式：IoU Loss + IoU Aware
- 後處理： Grid Sensitive + Matrix NMS
- 特徵提取：SPP + Coord Conv
- 其他： SSLD pretrain + 2x scheduler
- 沒有用到 Mosaic Image