环境卫生是城市的名片，智慧环卫更是智慧城市中不可缺少的板块。随着作业严格化、服务综合化、人口老龄化等趋势的发展，环卫行业面临诸多新问题和新挑战，而AI技术的发展成为一大助力，帮助环卫智能升级，实现设施智能化、运营管理信息化、分析决策智慧化。如何充分利用现有的环卫车辆和设备，对城市整洁度实现实时的监控？如何在减少人工的前提下，更及时地发现问题，解决问题？如何有效监督环卫作业的完成质量？
北京德厚泉科技有限公司基于飞桨目标检测开发套件PaddleDetection提供了一套完整的智慧城市垃圾检测方案，通过在市政车辆上安装摄像头对路面垃圾检测并分析，实现对路面遗撒的垃圾进行监控，记录并通知环卫人员清理，大大提升了环卫人效。把清洁工人从日复一日的街道巡检中解放出来，用深度学习还城市一片净土。
小伙伴们肯定好奇，如何才能快速上手这么有价值的深度学习产业应用呢？飞桨与德厚泉科技联合开源了垃圾检测的产业实践范例，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。
⭐点击阅读原文GET项目链接⭐
https://github.com/PaddlePaddle/paddledetection#产业实践范例库
所有源码及教程均已开源
欢迎大家使用，star鼓励~
场景难点
- 环境复杂但精度要求高：目标尺寸小，外形不规则，还有遮挡、堆叠、抖动、光线、天气等多种情况都容易影响识别精度
- 大量干扰下容易造成误检：交通标示物、行人等对识别造成很大干扰
- 车载硬件如何低保障部署效果：车载设备算力低，图片质量差，如何兼顾速度与精度。
方案设计
针对以上难点和挑战，我们的解决方案和选型思路如下：
在真实数据缺失的情况下，主要通过网络搜集尽量贴近真实场景的数据图片（角度、光线、分辨率、清晰度）。并在标注过程中尽量精细的框选目标物，以肉眼可见的最小目标为标注基线，适当框选有重叠和遮挡的部分作为单一候选框的主体。
模型选择
PaddleDetection提供了非常丰富的目标检测模型，我们需要从项目实际场景特点出发，选择最贴合实际部署需求的模型：小体积、高精度、预测速度快。
因此我们将候选模型锁定在 PP-YOLO-tiny 和 PP-PicoDet增强版这两个模型上。
接下来，在PaddleDetection 提供的模型基线中，通过简单的对比可以发现，PP-PicoDet-s-416在速度-精度的平衡上达到了目前同等体量模型中的最优性能，因此本范例将选择此模型，进行后续的演示。
模型评估
虽然通常目标检测模型是使用精度mAP作为评估指标，但是在垃圾识别项目的实际应用中，如果继续使用mAP指标进行评估则会有很大问题。主要原因是计算mAP时，由于实际垃圾的尺寸浮动较大，标注框和预测框之间的区域重合会有较大偏差，从而导致mAP值未必理想。然而，我们的最终目的是检测是否存在垃圾，以及垃圾在图片中的位置，并不在意检测到的是一堆垃圾还是一个垃圾。因此，我们重新将召回率与漏检率作为最终的评估指标，具体含义如下：
召回率
只要在实际有目标的图片上检测出目标（不论框的个数），该图片被认为成功召回。计算实际有目标图片中被召回的图片所占的比例，即为图片级别的召回率。
误检率
只要在实际无目标的图片上检测出目标（不论框的个数），该图片被认为误检。计算无目标图片中被误检图片所占的比例，即为图片级别的误检率。
这样就可以在实际场景中更加有效地衡量我们的方案效果。
模型优化
本次范例提供了包括原始数据的扩充、加载预训练集多种优化方案。考虑到最终部署的硬件设备是算力和内存都比较受限的ARM设备，还需要进一步减小模型体积、提高预测速度。具体的，我们首先通过 PaddleLite opt提供的 FP16混合精度预测，减小模型体积，提高预测速度。
但是由于在部分如ARM V7等设备上无法支持FP16预测，于是，再次基于PaddleSlim提供的量化训练，将FP32浮点数量化成INT8整数进行存储和计算，减小模型体积的同时提高预测速度，再经过finetune训练减少量化运算带来的误差，降低量化模型的精度损失。
模型部署
本项目最终的部署环境为：车载终端设备，ARM CPU CortexA9 dual，256MB闪存。考虑到实际部署效率，采用 C 开发，在端侧设备上实现基于Paddle Lite C API的调用，准确检出道路垃圾。同时PaddleDetection中也提供了完整的使用示例和开发说明文档，可以参考以下教程快速学习，并针对实际项目进行开发和集成。
小编为你送上项目链接：
https://github.com/PaddlePaddle/PaddleDetection/tree/release/2.4/deploy/lite
尤其需要注意的是，如果模型有多个输入，每一个模型输入都需要准确设置shape和data。具体如下图所示，可以通过飞桨可视化分析工具VisualDL查看模型的输入，并对照修改配置代码：
在完成上述步骤并导出模型文件后，就可在目标设备上进行模型性能测试验证了。
如果想了解更详细方案细节，欢迎关注我们的视频课程，手把手全流程教学等着你哦。
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。
