1. 花朵目标检测

1. 花朵目标检测

1.1. 场景背景

目标检测任务在计算机视觉和数字图像处理领域扮演着重要角色，在各行各业也已得到广泛应用，如航空航天、机器人、智能监控等重大行业。精准地从图片中识别出目标所在位置，并准确地将该目标分类，是目标检测任务的核心目的。随着深度学习的主流浪潮，目标检测算法在性能上也得到了较大的提升。本文通过智能钛机器学习平台，提供一种利用深度学习算法快速搭建目标检测模型的使用方法。用户无须编写代码，只要拖动相应的算法组件，便可以在十几分钟的时间内快速上手，解决目标检测场景下的问题。

1.2. 数据集介绍

本案例使用的数据集为从公开数据集中选取的Daisy（菊花）和Sunflower（向日葵）的部分图片，并对其进行手工标注得到的demo数据集。

1.3. 整体流程

工作流整体流程如下:

本场景共包含5个环节，分别是：

花朵数据准备（花朵数据的标注信息+花朵数据的图像信息）
将数据拆分成训练集、验证集
将原始 JPG 图片文件转换成高效的 TFRecord格式文件
选择合适的 CNN 网络处理分类任务

1.4. 详细流程

一. 上传数据

本步骤中需要上传两个数据源：花朵数据标注和花朵数据图像。

在智能钛机器学习平台控制台的左侧导航栏选择：【输入】>【数据源】>【COS数据集】，并拖入画布中
设置【COS数据集】参数：
- 将该组件重命名为：花朵数据标注
- 填写COS数据路径：（请直接复制输入）

${ai_dataset_lib}/public/YOLOv2/flowers/Annotations

请务必关闭“是否检查数据”按钮

在智能钛机器学习平台控制台的左侧导航栏选择：【输入】>【数据源】>【COS数据集】，并拖入画布中
设置该【COS数据集】参数：
- 将该组件重命名为：花朵数据图像
- 填写COS数据路径：（请直接复制输入）

${ai_dataset_lib}/public/YOLOv2/flowers/Images

请务必关闭“是否检查数据”按钮

二. 切分数据

在模型训练的时候通常会将所有的数据分成三部分，分别是训练集 training set，验证集 validation set 和测试集 test set。训练集用来训练模型，验证集用于调节超参数，测试集用来整体评估模型的性能。

本文的实验较简单，可只将数据切割成训练集和测试集，比例为 8 : 2（ 80% 用于训练， 20% 用于测试）。

在智能钛机器学习平台控制台的左侧导航栏，选择【输入】>【数据转换】>【图像数据切分】，并拖入画布中
将【花朵数据标注】的输出桩连接到【图像数据切分】的输入桩
填写参数，其余参数均可默认：
- 分类 or 检测任务：Detection
- 验证集比例：0.2

三. 数据格式转换

TFRecord 数据文件是一种将图像数据和标签统一存储的二进制文件，能更好的利用内存，在Tensorflow中快速的复制，移动，读取，存储等。在这一步中，我们将原始 JPG 文件格式转换成高效的TFRecord格式

在智能钛机器学习平台控制台的左侧导航栏，选择【输入】>【数据转换】>【图片格式转换（检测）】
将【图片格式转换（检测）】拖入画布
将【图像数据切分】的输出桩，连到【图片格式转换（检测）】最左边的输入桩上；将【花朵数据标注】的输出桩连接到【图片格式转换（检测）】最右边的输入桩上；将【花朵数据图像】的输出桩连接到【图片格式转换（检测）】中间的输入桩上
填写参数，其余参数均可默认：
- 类别映射文件（手动复制输入）：

${ai_dataset_lib}/public/SSD/flowers_label_map.pbtxt

四. 选择RCNN网络

选择合适的 CNN 网络处理分类任务，如此处选择Faster RCNN网络模型

在智能钛机器学习平台控制台的左侧导航栏，选择【算法】>【深度学习算法】>【计算机视觉】>【Faster-rcnn】
将【Faster-rcnn】拖入画布
将【图片格式转换（检测）】左侧输出桩与【Faster-rcnn】左侧输入桩相连，同时将【图片格式转换（检测）】右侧输出桩与【Faster-rcnn】的右侧输入桩相连
填写参数：
- 配置文件：[点此下载] 将下载后的文件上传至此
- 标签类别映射（直接复制输入）：${ai_dataset_lib}/public/SSD/flowers_label_map.pbtxt
- 初始模型（直接复制输入）：

${ai_dataset_lib}/checkpoints/faster_rcnn/faster_rcnn_resnet50_coco/model.ckpt