任务简介

Hi，欢迎来到百度EasyDL图像

目前EasyDL图像共支持训练3种不同应用场景的模型：

• 图像分类

识别一张图中是否是某类物体/状态/场景。可以识别图片中主体单一的场景

• 物体检测

在一张图包含多个物体的情况下，定制识别出每个物体的位置、数量、名称。可以识别图片中有多个主体的场景

• 图像分割

对比物体检测，支持用多边形标注训练数据，模型可像素级识别目标。适合图中有多个主体、需识别其位置或轮廓的场景

产品优势

可视化操作

无需机器学习专业知识，模型创建-数据上传-模型训练-模型发布全流程可视化便捷操作，最快15分钟即可获得一个高精度模型

操作步骤

Step 1 创建模型

确定模型名称，记录希望模型实现的功能

Step 2 上传并标注数据

分类功能的模型：只需按分类（如合格图片vs不合格图片）上传图片即可

检测功能的模型：上传数据后，需要在数据中标注出需要检测的具体目标

分割功能的模型：上传数据后，需要在数据中标注出需要识别物体的轮廓

Step 3 训练模型并校验效果

选择部署方式与算法，用上传的数据一键训练模型

模型训练完成后，可在线校验模型效果

Step 4 发布模型

根据训练时选择的部署方式，将模型以云端API、本地部署SDK、端云协同部署包等多种方式发布使用

更详细的操作指导，请参考各类模型的技术文档

高精度效果

• EasyDL图像底层结合百度 AutoDL/AutoML技术，针对用户数据能够自动获得最优模型和最优超参组合，进而基于少量数据就能获得出色性能和模型效果
• EasyDL图像以百度独有超大规模预训练模型为基座，小量级数据进行训练也可获得高精度模型

高精算法

• 采用PaddlePaddle深度学习框架结合Auto Model Search，保证模型效果领先
• 训练图像分类和物体检测模型时，均支持选择多种算法，满足不同场景对性能、效果的不同需求；还有专项精度提升配置包，包含自动超参搜索、小目标检测等精度优化功能，针对优化模型效果

AutoDL

训练图像分类模型时，支持选择AutoDL Transfer

AutoDL Transfer模型是百度研发的AutoDL技术之一，结合了模型网络结构搜索、迁移学习技术、并针对用户数据进行自动优化。与通用算法相比，训练时间较长，但更适用于细分类场景。例如，通用算法可用于区分猫和狗，但如果要区分不同品种的猫，则AutoDL效果会更好

免训练极速迭代

训练图像分类模型之后，支持开启免训练极速迭代模式。该模式基于深度度量学习技术（Deep Metric Learning），模式开启后，模型的迭代添加数据仅需等待几分钟即可获得效果不错的模型，无需训练。适用于数据量大，模型迭代频繁的用户需求场景。

丰富的部署方案

• 训练完成后，可将模型部署在公有云服务器、私有服务器，封装成可离线运行的设备端SDK，或直接购买软硬一体方案，灵活适配各种使用场景及运行环境，也可直接发布为端云协同部署包，下发至边缘设备进行应用
• 本地部署的性能评测详细信息可见模型算法推理性能大表

部署方式	支持的硬件	支持的系统	技术文档
公有云API	可集成公有云API即可	不限制	图像分类 物体检测 图像分割
私有服务器部署 [私有API]	x86-64 CPU	Linux	图像分类 物体检测 图像分割
	Nvidia GPU	Linux	图像分类 物体检测 图像分割
私有服务器部署 [服务器端SDK]	x86-64 CPU	Linux	图像分类 物体检测 图像分割
	Nvidia GPU	Linux/Windows	图像分类 物体检测 图像分割
	HUAWEI Atlas 300	Linux	图像分类 物体检测
通用设备端SDK	ARM (AArch64, ARMv7l)	Linux	图像分类 物体检测 图像分割
	Hisilicon NNIE	Linux	图像分类 物体检测
	HUAWEI Atlas 200	Linux	图像分类 物体检测
	ARM	Android/iOS	图像分类 物体检测 图像分割
	Qualcomm Snapdragon GPU/DSP	Android	图像分类 物体检测
	Hisilicon Kirin NPU	Android	图像分类 物体检测
	Apple A-Bionic	iOS	图像分类 物体检测
	x86-64 CPU	Windows	图像分类 物体检测 图像分割
	Intel Movidius NCS (MyRIAD 2/MyRIAD X)	Linux/Windows	图像分类 物体检测
专项硬件适配SDK [软硬一体方案]	Baidu-EdgeBoard(FZ)	Linux	方案介绍及对比
	Baidu-EdgeBoard(VMX)	Linux/Windows
	Nvidia-Jetson(Nano/TX2/Xavier)	Linux
端云协同部署	x86-64 CPU	Linux	图像分类 物体检测 图像分割
	ARM (AArch64, ARMv7l)	Linux

公有云API

支持图像分类、物体检测、图像分割模型

训练完成的模型存储在云端，可通过独立Rest API调用模型，实现AI能力与业务系统或硬件设备整合

具有完善的鉴权、流控等安全机制，GPU集群稳定承载高并发请求

支持查找云端模型识别错误的数据，纠正结果并将其加入模型迭代的训练集，不断优化模型效果

私有服务器部署

支持图像分类、物体检测、图像分割模型

将训练完成的模型部署在私有CPU/GPU服务器上，支持私有API和服务器端SDK两种集成方式，可在内网/无网环境下使用模型，确保数据隐私

• 私有API：将模型以Docker形式在本地服务器（仅支持Linux）上部署为http服务，可调用与公有云API功能相同的接口。可纯离线完成部署，服务调用便捷
• 服务器端SDK：将模型封装成适配本地服务器（支持Linux和Windows）的SDK，可集成在其他程序中运行。首次联网激活后即可纯离线运行，占用服务器资源更少，使用方法更灵活

设备端SDK

支持图像分类、物体检测、图像分割模型

训练完成的模型被打包成适配智能硬件（不含服务器）的SDK，可进行设备端离线计算。满足推理阶段数据敏感性要求、更快的响应速度要求

支持iOS、Android、Linux、Windows四种操作系统，基础接口封装完善，满足灵活的应用侧二次开发

提供基础版、加速版（已支持通用x86、通用ARM芯片）两种版本，可根据业务场景需求选择。了解加速版性能：图像分类 物体检测

软硬一体方案

支持图像分类、物体检测模型，了解更多

提供与模型深度适配的高性能硬件方案，多种算力、价位可选

可应用于工业分拣、视频监控等多种设备端离线计算场景，让离线AI落地更轻松

智能数据服务

全方位支持训练数据的采集、标注、质检、增强，助力提升模型效果

数据采集

在云服务调用数据管理中，可查找云端模型识别错误的数据，纠正结果并将其加入模型迭代的训练集

可实现训练数据的持续丰富和模型效果的持续优化

点击了解功能说明：图像分类、物体检测

智能标注

针对物体检测模型，可通过智能标注降低标注成本

启动后，只需标注数据集30%左右的数据即可训练出同等效果的模型

在图像分割任务中还提供“自动识别轮廓标注”来自动标注目标轮廓，降低标注成本

多人标注

训练物体检测模型前，可与其他用户共享数据集，实现多人分工标注数据后再集中训练模型

采集/标注支持

联合第三方数据标注合作伙伴，提供全面且高质量的训练数据采集、标注服务

可在AI市场选择合适的数据服务商