机械之心公布
机械之心编辑部
自百度开源业界首个口罩人脸检测及分类模子之后，开发者社区举行了充实讨论并提出了该模子存在的一些问题和不足。在本文中，百度飞桨官方对这些反馈努力回应，同时提出四大升级方案，为开发者逐一解惑。
由于现在正值许多企业复工，口罩检测对于后续复工的平安性毋庸置疑，文章一经发出，在开发者社区引起伟大回响，停止现在发稿，百度飞桨官方手艺交流 QQ 群已经到达人数上限，再加入的同砚，只能加入新群。
在手艺讨论群里，宽大开发者针对口罩人脸检测与分类模子的手艺应用展开了充实的讨论，有些开发者实战反馈，模子在现实场景下照样有一些提升空间。
好比这样，一张神秘形状的纸被判断为口罩，
再好比这样的，一个销魂的手指挡住了口鼻，
除了 badcase 自己，许多开发者还遇到了林林总总的问题，好比现实的环境很重大，中远景模子效果还不错，然则近景就会不太理想。还有的是监控摄像头的像素分辨率，也会带来差别的判断效果。同时，更多的需求也反馈出来：
能不能开放模子的一些接口出来？
在 PC 端，除了 python 部署，有没有高性能的 C 部署教程呀？
若是想做视频流的检测，应该怎么办呀？
需求许多，百度飞桨给出的谜底是一定的。
作为海内唯一的开源开放深度学习平台，手艺服务支持一定是没得说，能给的都给你，四波宠粉的新进展为开发者送上！
第一波：口罩模子性能升级
针对用户提出的 badcase 问题，口罩人脸检测与分类模子研发职员也是高度重视，而且迅速开展了 V1.1.0 的优化，增补了更多的数据集，使得训练准确率进一步提升。通过开放接口，增添金字塔计谋等方式，使得在种种极端尺寸下检测不到人脸的问题获得改善，召回率也有显著提升。同时，口罩分类模子也经由一周有用的数据迭代，准确率从之前的 96.5% 提升到 97.27%，优化效果对比：
左侧为优化前右侧为优化后。
可以看到，新加入大量数据集重训之后的第二版模子，在一些稀奇的场景下：好比面部异物、口鼻遮挡、侧脸等 case 下都有显著的质量提升。
而且，随着更多开发者提供的加倍重大的数据和 badcase 增添，数据模子仍在不停的改善中，有兴趣的开发者也迎接连续关注。
那么，有开发者一定想问了，我想用新模子应该怎么用啊？异常简朴，1 个参数搞定
第二波：PaddleHub 新 Feature
选择升级到新版本
# 加载 pyramidbox_lite_server_mask, 选择最新的模子版本 1.1.0，则会自动升级至该版本
接口新参数
shrink
该参数用于设置图片的缩放比例，输入值应位于区间 (0 ~ 1]，默以为 0.5
挪用示例
参数影响
shrink 值越大，则对于输入图片中的小尺寸人脸有更好的检测效果，反之则对于大尺寸人脸有更好的检测。同时，shrink 值越大，则模子盘算成本越高。
建议用户凭据现实应用场景调整该值，尽可能使输入图像的人脸尺寸在缩放后漫衍于 8 ~ 130pix 之间
use_multi_scale
该参数用于设置是否开启多尺度的人脸检测，默以为关闭
挪用示例
参数影响
开启多尺度人脸检测能够更好的检测到输入图像中差别尺寸的人脸，然则会增添模子盘算量，降低展望速率，建议在对人脸漏检要求比较低的场景下开启该设置。
这两个要害参数接口的开放，可以知足很大一部分场景下的营业需求，迅速提升性能。
升级后的模子，调参之后准确率妥妥的了，然则开发者落地遇到部署问题又不会了，来来来，PaddleHub 来教你！
第三波：基于 PaddleHub 实现口罩佩带检测应用落地部署
在第一版的模子公布中，我们提供了一行代码服务器端部署，可以通过 PaddleHub 快速体验模子效果、搭建在线服务，
随着第二版模子的公布，基于飞桨本次开源的口罩佩带识别模子, 提供了一个完整的支持视频流的 Web Demo，以及高性能的 Python 和 C 集成部署方案, 适用于差别场景下的软件集成。
完整的视频流演示 DEMO：https://github.com/PaddlePaddle/PaddleHub/tree/release/v1.5/demo/mask_detection
该 Demo 演示了对视频的实时口罩佩带检测，同时可以将没有佩带的口罩人脸记录下来。类似的应用可以部署在大型场馆出入口，学校，医院，交通通道出入口，人脸识别闸机，机械人上，支持的方案有：安卓方案（如 RK3399 的人脸识别机，机械人），Ubuntu 边缘盘算，WindowsPC 摄像头，识别率 80%~90%。若是对于人脸识别机场景，精度要求会比较高，模子应用时需要对清晰度、距离、图像巨细等因素举行调整后部署。
视频链接：https://www.bilibili.com/video/av88962128
效果剖析
可以看到识别率在 80~90% 之前，稍小的人脸有误识别的情形，有些挡住嘴的场景也被误识别成了戴口罩，一个人带着口罩，鼻子漏出来识别成没有戴口罩，这个是合理的由于的鼻子漏出来是佩带不规范。这个模子应用在门口，狭长通道，人脸识别机所在位置都是可以的。
感兴趣的同砚们赶快试试吧
也有开发者提到，之前的 PaddleHub 一键服务化部署方案确实异常简朴，然则无法知足一些对速率敏感的场景和软件集成得需求。那没问题啊，高性能的部署集成方案百度飞桨也提供哈。
高性能 Python/C 部署方案
1、首先需要安装 PaddleHub
环境依赖 Python==2.7 or Python>=3.5 for Linux or Mac，Python>=3.6 for Windows，PaddlePaddle>=1.5
安装方式：pip install paddlehub
2、从 PaddleHub 导出展望模子
在有网络接见条件下，执行 python export_model.py 导出两个可用于推理部署的口罩模子，其中：pyramidbox_lite_mobile_mask 为移动版模子, 模子更小，盘算量低；pyramidbox_lite_server_mask 为服务器版模子，在此推荐该版本模子，精度相对移动版本更高，也是本次重点精度升级的模子。
乐成执行代码后导出的模子路径结构：
3. Python 展望部署编译
支持在 Windows 和 Linux 上编译并部署 Python 项目，内容比较长，建议可以直接参考链接文档：https://github.com/PaddlePaddle/PaddleHub/tree/release/v1.5/demo/mask_detection/python
4. C 展望部署编译
本项目支持在 Windows 和 Linux 上编译并部署 C 项目，流程比较重大，建议直接参考链接文档：https://github.com/PaddlePaddle/PaddleHub/tree/release/v1.5/demo/mask_detection/cpp
综合展望性能评测
通过内部的数据评测，相比于 PaddleHub 原生 API，借助飞桨高性能展望引擎，在 GPU 条件下速率提升了 300%，CPU 可以提速 50%。
简直效果炸裂，若是对于展望速率有要求的开发者，迎接使用高性能展望方案部署。
第四波：文档教程厚实与开发者生态孝敬交流
2 月 13 日稿件发出后，也有开发者在 QQ 群反馈说之前对 PaddleHub 特征领会不够深入，能不能提供一些系统性的先容。以下为飞桨团队为开发者提供的教程资源：
AIStudio 在线教程：https://aistudio.baidu.com/aistudio/projectDetail/267322
B 站视频：https://www.bilibili.com/video/av89960161?from=search&seid=3613394603372565887
现在，开源的口罩人脸检测与识别模子，已经在中油瑞飞等多家企业现实应用落地，对于企业的顺遂复工提供平安保障，也迎接更多的开发者和企业能够加入进来，施展 AI 的气力，众志成城，抗击疫情。
若是您想详细领会更多飞桨 PaddlePaddle 的相关内容，请参阅以下文档。
官网地址：https://www.paddlepaddle.org.cn/
项目地址：https://github.com/PaddlePaddle/PaddleHub/tree/release/v1.5/demo
口罩人脸检测与分类模子先容：https://www.paddlepaddle.org.cn/hubdetail?name=pyramidbox_lite_server_mask&en_category=ObjectDetection
本文为机械之心公布，转载请联系本民众号获得授权。
------------------------------------------------