在日常生活中，各種即時通訊早已是不可分割的一部分，而這一便捷服務的實現離不開各種通訊塔。通訊塔，主要用於運營商、廣播電視等部門架設訊號發射天線或微波傳輸裝置。

目前，全國已經擁有百萬座通訊塔，不同類別的通訊塔，其維護方式和運營策略均不相同，因此為了保障無線通訊系統的正常執行，用AI技術實時準確地識別通訊塔並採取維護措施極其重要。

但在真實的產業中，通訊塔處於露天環境，周圍干擾資訊較多；部分類別的通訊塔外觀相似度很高，如下圖；下雨、下雪、強光、陰天等環境，對於通訊塔的高精度識別都具有嚴重影響。

高效準確的塔型識別關乎國家每年高達數億元的收入與支出，那如何對通訊塔進行準確地實時識別呢？

飛槳產業實踐範例庫開源通訊塔識別場景應用，提供了從資料準備、技術方案、模型訓練優化，到模型部署的全流程，有效解決了戶外複雜環境下高精度目標檢測的問題，對於高長寬比目標物、高實時性要求的場景有很好的參考意義，比如城市治理中的建築物檢測。

⭐專案連結⭐https://github.com/PaddlePaddle/awesome-DeepLearning所有原始碼及教程均已開源歡迎大家star鼓勵~

專案難點

• 資料方面，部分類別塔身外觀相似度高、露天環境干擾資訊多，易導致誤檢；
• 模型方面，目標檢測模型眾多，如何快速選擇最契合場景的優秀演算法？
• 部署方面，想要便攜又易用，手機端的高效部署如何實現？

專案方案

基於上述難點，我們與中國鐵塔股份有限公司就通訊塔識別專案開展了合作研發。經過多次業務場景討論和模型效果驗證，最終選用飛槳目標檢測開發套件PaddleDetection中的PP-PicoDet模型進行訓練與優化。

方案優化：

在優化方面，嘗試了以下模型優化策略：遷移學習(預訓練模型)、修改Loss、學習率、量化訓練，下表詳細展示了不同的實驗結果(在麒麟980移動端測試速度)：

專案效果：

根據實驗結果，我們推薦方案6使用PP-PicoDet+COCO預訓練模型+量化訓練的模型，mAP達到94.5%的同時，預測速度可提升至78ms，實現了速度與精度的平衡。

另外，我們發現其他優化策略幾乎沒有提升精度，這是因為PP-PicoDet網路本身已經包含了目前得到驗證的最優策略，如自研的輕量級骨幹網路、啟用函式、高效資料增強等，已經達到了目前開源模型的最優效能，因此很難再僅通過疊加策略大幅提升模型精度。具體的模型調優思路，歡迎大家鎖定直播！

部署方案：

在模型部署上，PaddleDetection支援飛槳輕量化推理引擎PaddleLite，可以輕鬆實現高效能端側部署。同時也支援ONNX轉出，適配MNN/NCNN/OpenVINO等預測庫。不僅如此，我們還提供了完備的Android部署方案和demo，方便開發者能夠參考快速進行端側效果驗證。

產業實踐範例教程助力企業跨越AI落地鴻溝

飛槳產業實踐範例，致力於加速AI在產業落地的前進路徑，減少理論技術與產業應用的差距。範例來源於產業真實業務場景，通過完整的程式碼實現，提供從資料準備到模型部署的方案過程解析，堪稱產業落地的“自動導航”。

• 真實產業場景：與實際具有AI應用的企業合作共建，選取企業高頻需求的AI應用場景如智慧城市-安全帽檢測、智慧製造-表計讀數等；
• 完整程式碼實現：提供可一鍵執行的程式碼，在“AIStudio一站式開發平臺”上使用免費算力一鍵Notebook執行；
• 詳細過程解析：深度解析從資料準備和處理、模型選擇、模型優化和部署的AI落地全流程，共享可複用的模型調參和優化經驗；
• 直達專案落地：百度高工手把手教使用者進行全流程程式碼實踐，輕鬆直達專案POC階段。

精彩課程預告

為了讓小夥伴們更便捷地應用通訊塔識別範例教程，百度高階研發工程師於3月10日20:30-21:00為大家深度解析從資料準備、方案設計到模型優化部署的開發全流程，手把手教大家進行程式碼實踐。

歡迎小夥伴們掃碼進群，免費獲取直播課和回放視訊連結，更有機會獲得覆蓋智慧城市、工業製造、金融、網際網路等行業的飛槳產業實踐範例手冊！也歡迎感興趣的企業和開發者與我們聯絡，交流技術探討合作。

掃碼報名直播課，加入技術交流群