企业快速建站免费模板,链家网站开发,百度实景360度地图,大型网站建设企业生鲜零售作为民生消费的重要一环#xff0c;在促进行业新消费升级的进程中有着至关重要的作用。在超市等无人零售场景中#xff0c;目前结算方式主要有以下几种#xff1a;
但是以上几种方法存在如下缺点#xff1a;
条形码方式#xff1a;对于成品包装的商品较为成熟在促进行业新消费升级的进程中有着至关重要的作用。在超市等无人零售场景中目前结算方式主要有以下几种
但是以上几种方法存在如下缺点
条形码方式对于成品包装的商品较为成熟但生鲜产品本身“无码可扫”RFID方式所需的额外费用难以长期承担生鲜称重方式对于相同品种不同单价的商品无法很好区分需要人工辨别商品品种效率较低。
因此选择一种既能大规模支持各种商品识别又能方便管理同时维护成本不高的识别系统显得尤为重要。
针对以上的行业需求飞桨联合Intel提供了一套基于飞桨图像分类开发套件PaddleClas和OpenVINO™工具套件的生鲜与零售商品识别系统满足商品识别场景需要兼顾扩展性的要求。在此方案中只需训练一套模型在后续使用过程中无需频繁重新训练模型 仅需要在检索库中配置少量有代表性的新增产品图像就能够很好地解决新增商品问题同时也无需添加辅助设备极大降低了维护及使用成本。
项目链接
https://aistudio.baidu.com/projectdetail/6649316
本项目中飞桨联合Intel建设了生鲜与零售商品识别系统产业实践范例基于PP-ShiTuV2 Pipeline详解模型训练新品种入库以及如何基于Intel OpenVINO™快速部署优化CPU推理任务性能极致利用Intel x86硬件资源。
场景难度
物体形状千差万别如何找到待检测的商品商品及生鲜品种繁多如何准确识别对应种类使用过程中商品及生鲜品类迭代速度快如何减少模型更新成本
方案设计
如图所示针对以上问题我们使用图中的Pipeline以解决上述问题。整个Pipeline中主要分为三部分
主体检测
检测出待识别的商品去掉冗余的背景信息提高生鲜品识别的精度
特征提取
将待识别的生鲜品图像进行提取特征
检索模块
将待检索的特征与库中的生鲜品特征比对得到待检索生鲜品的标签。
模型优化策略和效果
主体检测
主题检测是目前应用非常广泛的一种检测技术它指的是检测出图片中一个或者多个主体的坐标位置然后将图像中的对应区域裁剪下来进行识别。主体检测是识别任务的前序步骤输入图像经过主体检测后再进行识别可以过滤复杂背景有效提升识别精度。考虑到检测速度、模型大小、检测精度等因素最终选择 PaddleDetection 自研的轻量级模型 PicoDet-LCNet_x2_5 作为PP-ShiTuV2 的主体检测模型PicoDet系列模型融合了ATSS、Generalized Focal Loss、余弦学习率策略、Cycle-EMA、轻量级检测 head等优化算法此外为了更好地兼顾检测速度与效果PicoDet-LCNet_x2_5将neck 中的 CSP module 换成了LCNet module。
特征提取
特征提取是图像识别中的关键一环它的作用是将输入的图片转化为固定维度的特征向量用于后续的向量检索。考虑到特征提取模型的速度、模型大小、特征提取性能等因素最终选择 PaddleClas 自研的PPLCNetV2_base作为特征提取网络。PP-LCNetV2 模型是在 PP-LCNetV1 的基础上优化而来主要使用重参数化策略组合了不同大小卷积核的深度卷积并优化了点卷积、Shortcut等。相比 PP-ShiTuV1 所使用的 PPLCNet_x2_5 PPLCNetV2_base 基本保持了较高的分类精度并节省了40%的推理时间。
模型部署
使用OpenVINO ™作为推理后端 倍数级提升任务在CPU侧的处理速度。
采用通用性极高的x86的平台作为模型部署设备 可充分利用并实现多任务负载无需购置额外的加速卡设备大大节省项目成本。
本项目的最终部署环境为Intel x86平台设备。 考虑开发便捷性本次示例使用python部署开发环境该系统是商品检测、商品特征提取以及商品检索三大任务所构建的Pipeline可以实现基于本地数据仓库的轻量化零售商品识别系统。在星河社区也提供了完整的使用示例与开发说明可参考该教程快速学习并针对实际项目进行开发和集成。 精彩课程预告
为了让小伙伴们更便捷地应用范例教程OpenVINO™软件开发工程师Ethan将于8月31日周四19:00为大家深度解析从数据准备、方案设计到模型优化部署的开发全流程手把手教大家进行代码实践。
