向AI转型的程序员都关注了这个号👇👇👇
因此在工业上，对于手机行为的检测需求日益增多，目前主要采用检测进行手机的定位辅助分析。
本项目针对这一特点，实现思路如下:
利用PaddleX快速训练轻量化检测模型PP-YOLO Tiny，并通过一个识别模型MobileNet进行检测矫正。- 保证实时性的同时，也保证较高的精确度。
代码地址:
关注微信公众号 datayx 然后回复 玩手机 即可获取。
本项目的数据分为 检测数据(8000张) 与 识别数据(16683张) 两类:
检测数据位于数据集: 违规使用手机识别.zip
data/data105315/违规使用手机识别.zip
解压后，数据包含在train.zip中，还需再次解压数据，最后解压完成后，数据如下：
最终用于训练的检测数据位于中，检测数据格式为格式——可直接使用PaddleX进行数据划分，并直接用于PPYOLO-Tiny模型的训练。
用于检测的数据在当前项目中仅仅包含下的数据，该数据均为包含手机的图片，因此，后期项目训练过程中，可以适当的添加中的图片作为背景图片加入到模型的训练数据中。
识别数据位于数据集: recognize_phonedata.zip
data/data105315/recognize_phonedata.zip
解压后，数据如下：
其中, 中包含手机的识别图片，中包含非手机的识别图片。
识别数据中的均来自检测数据中，而均来自作为非手机的类别。
本项目中的非手机图片数据集由获得，受限于原始1_no_phone中存在一些大小不均匀的图片，因此固定大小尺寸进行裁剪后，有的非手机图片为人或者衣服等。
但按照该识别数据集，对于该任务已经有了一个不错的提高——后期通过完善识别模型的数据以及泛化精度的提高，将更好的提升该串联方案的效果。
考虑到工业应用上，通常要求实时性与部署成本的问题，选择轻量化化检测模型PP-YOLO Tiny作为检测模型——同时，为了保证一个手机识别的较高准确率，训练一个识别是否为手机的识别模型，对检测后的目标进行二次识别，保证检测的准确性。
因此，模型的架构为:
之所以外加MobileNet作为精度提升的一个组件，是因为PP-YOLO Tiny在追求轻量化时，骨干网络相对较弱，在识别精度上有一定的错误率(可能来源骨干网络识别能力不够，也可能因为定位能力不够导致识别受影响)；
首先下载PaddleX2.0用于后期的项目开发。
pycocotools: 是为了提供COCO数据集的加载功能——以辅助Paddlex实现数据的自动划分、数据格式转换等
(3)加载数据
数据预处理方法:
https://github.com/PaddlePaddle/PaddleX/blob/release/2.0.0/docs/apis/transforms/transforms.md
train_transform：
VOC格式数据自动加载接口
(4)生成检测模型的anchors
由于不同的数据集的应用场景等不同，因此模型在使用时，往往针对特定数据进行anchor的聚类生成会更容易拟合数据集。
一般来说，聚类后的anchors仅适用于训练时特定的大小，部署时不宜改动，否则精度损失较大
(5)训练模型
(6)模型错误分析——COCO错误分析
如果直接运行coco_error_analysis失效(及以下代码)，可手动重新生成json再进行分析(后续代码)
(7)检测可视化
用于展示模型检测效果
SDK是指:
基于的端到端高性能部署能力，将应用深度学习模型的业务逻辑抽象成，而接入深度学习模型前的数据前处理、模型预测、模型串联时的中间结果处理等操作都对应于Pipeline中的节点PipelineNode，用户只需在Pipeline配置文件中编排好各节点的前后关系，就可以给Pipeline发送数据并快速地获取相应的推理结果。
PaddleX Pipeline：完成业务逻辑的推理预测，同时提供向其发送数据和获取结果的接口。
PaddleX Config: 定义Pipeline的节点类型和前后关系。
PaddleX Node：功能节点，例如图像解码节点、图像缩放节点、兴趣区域提取节点、模型推理节点。
PaddleX Deploy：高性能模型推理能力。
以PaddleX导出后的单一检测模型（无数据前处理、无中间结果处理）为例，配置好流程配置文件后使用简单几行代码就可以完成预测：
而对于本项目的SDK部署不再采用，而是通过SDK实现更便捷的模型串联——即。
.png)
在测试时，请注意使用存在目标的图片进行串联测试——因为当前SDK版本下，检测与识别串联时，如果检测无目标，在传入识别模型时会报错终止。
检测与分割串联时，如检测无目标，传入分割模型不会报错终止！
节点相关内容可参考下图