在工厂、建筑工地、矿井等施工现场，安全帽是保障在场人员安全的重要防护装备。但当人员未佩戴安全帽进入施工场所时，靠人为监管耗时耗力，不易实时监管。针对上述问题，探索智能化转型的企业开始通过视频监控->目标检测->智能督导的方式智能、高效地完成此任务。
本次飞桨产业实践范例库开源工业行业典型应用安全帽检测，提供了从数据准备、模型训练及优化的全流程可复用方案，降低产业落地门槛，适用于工地、工厂、电厂、矿井等多种场景。
图1 施工现场
所有源码及教程均已开源
欢迎大家使用，star鼓励~
⭐点击【阅读原文】GET项目链接⭐
https://github.com/PaddlePaddle/PaddleX/tree/develop/examples
场景难点
- 精度要求高： 涉及安全问题，检测精度需非常高才能保证对施工场所人员的安全督导，因此需要专门针对此目标的检测算法进行优化。
- 现场环境复杂：监控受拍摄角度、光线变化、天气影响，有时会存在遮挡，导致安全帽显示不全，对检测具有一定的干扰。
- 存在小目标情况： 实际使用过程中，人员离镜头较远，因此需要模型对小目标的检测有较低的漏检率。
图2 小目标检测
方案设计
本项目利用开源数据集基于PaddleX中单阶段目标检测模型实现安全帽检测任务。使用PaddleX提供的paddlex.det.coco_error_analysis接口对基线模型在验证集上预测错误的原因进行分析，采用了一系列优化步骤如IoU-aware、更换backbone等方法提升模型精度，最后在NV Jetson上部署应用。
模型训练过程如下：
图3 基于PaddleX实现目标检测模型训练
模型优化策略和效果
本项目采用YOLOv3模型作为基线模型，backbone为DarkNet53。优化策略包括backbone更换、模型架构更换、输入图像大小改变、IoU-aware、label smooth等优化技巧。
采用PaddleX在Tesla V100上测试模型的推理时间（输入数据拷贝至GPU的时间、计算时间、数据拷贝至CPU的时间），不同优化方案结果如下表。
模型部署
在模型优化结束后，根据我们实际应用需求，选择最合适的模型进行部署和应用。首先，将模型导出成静态图模型，然后采用PaddleX提供的C inference部署方案，在该方案中提供了在端侧设备Jetson部署Demo，用户可根据实际情况自行参考：
https://github.com/cjh3020889729/The-PaddleX-QT-Visualize-GUI/tree/main/deploy/cpp/docs/jetson_deploy
范例使用工具介绍
PaddleX是百度飞桨全流程开发工具，以低代码的形式支持开发者快速实现产业实际项目落地。PaddleX 集成飞桨智能视觉领域图像分类、目标检测、语义分割、实例分割任务能力，将深度学习开发全流程从数据准备、模型训练与优化到多端部署端到端打通，并提供统一任务API接口及图形化开发界面Demo。开发者无需分别安装不同套件，以低代码的形式即可快速完成飞桨全流程开发。
PaddleX 经过质检、安防、巡检、遥感、零售、医疗等十多个行业实际应用场景验证，沉淀产业实际经验，并提供丰富的案例实践教程，全程助力开发者产业实践落地。
飞桨产业实践范例
助力企业跨越AI落地鸿沟
飞桨产业实践范例，致力于加速AI在产业落地的前进路径，减少理论技术与产业应用的差距。范例来源于产业真实业务场景，通过完整的代码实现，提供从数据准备到模型部署的方案过程解析，堪称产业落地的“自动导航”。
- 真实产业场景：与实际具有AI应用的企业合作共建，选取企业高频需求的AI应用场景如智慧城市-安全帽检测、智能制造-表计读数等；
- 完整代码实现：提供可一键运行的代码，在“AI Studio一站式开发平台”上使用免费算力一键Notebook运行；
- 详细过程解析：深度解析从数据准备和处理、模型选择、模型优化和部署的AI落地全流程，共享可复用的模型调参和优化经验；
- 直达项目落地：百度高工手把手教用户进行全流程代码实践，轻松直达项目POC阶段。
相关阅读
- 公共场所人流数据统计如何实现？解决重识别、漏检等检测难题
- 金融产业应用详解 | 表单自动识别、保险智能问答端到端方案
- NLP产业应用实战，评论观点抽取与分析和文本语义检索深度详解
引用说明
图片1、2来源商用免费版权网站
