高精度轻量级目标检测产业应用，实现多类通信塔识别

随着科技的发展，各种即时通讯早已是人类日常生活不可分割的一部分，而这一便捷服务的实现离不开各种通信塔。通信塔主要用于运营商、广播电视等部门架设信号发射天线或微波传输设备，对通信塔及时正确地维护是保障无线通信系统正常运行的必要手段。

在真实产业应用过程中，通信塔的外观会根据所处地貌、环境特点被设计成不同形态，比如上图中的仿生树、路灯杆等。不同类别塔的维护方式以及运营策略也均不相同，而传统的通信塔类别信息主要靠人工根据经验进行判断，这就会导致以下问题：

1、人工判断费时费力效率低下；

2、塔身外观种类多样，人工判断难免出错；

3、类别判断失误导致维修、运营策略不匹配，既耽误工时也影响企业信誉。

高效准确的塔型识别关乎国家每年高达数亿元的收入与支出，那如何利用AI技术赋能产业实践，实现智能化识别呢？

飞桨产业实践范例库开源通信塔识别场景应用，提供了从数据准备、技术方案、模型训练优化，到模型部署的全流程可复用方案，有效地解决了针对高长宽比目标物，在复杂场景中的准确实时识别问题。

⭐项目链接⭐

https://github.com/PaddlePaddle/awesome-DeepLearning

所有源码及教程均已开源，欢迎大家star鼓励~

项目难点

• 数据方面，部分类别塔身外观相似度高、露天环境干扰信息多，易导致误检；
• 模型方面，目标检测模型众多，如何快速选择最契合场景的优秀算法？
• 部署方面，想要便携又易用，手机端的高效部署如何实现？

项目方案

基于上述难点，我们与中国铁塔股份有限公司就通信塔识别项目开展了合作研发。经过多次业务场景讨论和模型效果验证，最终选用飞桨目标检测开发套件PaddleDetection中的PP-PicoDet模型进行训练与优化。

方案优化：

在优化方面，尝试了以下模型优化策略：迁移学习(预训练模型)、修改Loss、学习率、量化训练，下表详细展示了不同的实验结果(在麒麟980移动端测试速度)：

项目效果：

根据实验结果，我们推荐方案6使用PP-PicoDet COCO预训练模型 量化训练的模型，mAP达到94.5%的同时，预测速度可提升至78ms，实现了速度与精度的平衡。

另外，我们发现其他优化策略几乎没有提升精度，这是因为PP-PicoDet网络本身已经包含了目前得到验证的最优策略，如自研的轻量级骨干网络、激活函数、高效数据增强等，已经达到了目前开源模型的最优性能，因此很难再仅通过叠加策略大幅提升模型精度。具体的模型调优思路，欢迎大家锁定直播！

部署方案：

在模型部署上，PaddleDetection支持飞桨轻量化推理引擎PaddleLite，可以轻松实现高性能端侧部署。同时也支持ONNX转出，适配MNN/NCNN/OpenVINO等预测库。不仅如此，我们还提供了完备的Android部署方案和demo，方便开发者能够参考快速进行端侧效果验证。