器集群產(chǎn)品圖..png)
器產(chǎn)品圖.png)
器產(chǎn)品圖.png)
器產(chǎn)品圖.png)
器產(chǎn)品圖1-8080.png)
品主圖.png)
TPU編程競賽系列｜深度學(xué)習算法創(chuàng )新賽「人車(chē)目標檢測」結果出爐！
由算能發(fā)起并承辦的深度學(xué)習算法創(chuàng )新賽 –人車(chē)目標檢測大賽落下帷幕，該賽事吸引了來(lái)自全國各地的20余支隊伍參賽，經(jīng)過(guò)數月的激烈角逐，6支隊伍脫穎而出，分獲一、二、三等獎并贏(yíng)得豐厚獎金！
?
目標檢測是計算機視覺(jué)的熱門(mén)方向，廣泛應用于各種智能視頻監控系統中。人、車(chē)是現代社會(huì )重要的組成對象，實(shí)現人、車(chē)目標的精確快速檢測，對構建智慧城市和平安社會(huì )具有重要意義。
作為圖形處理器的Graphic，運行要依賴(lài)處理器的調用，而且基于現有的馮·諾依曼結構的經(jīng)典計算機運行時(shí)，就不可避免地受到存儲與計算分離的限制，能效比不高。TPU是專(zhuān)門(mén)用于深度學(xué)習算法的張量處理器，可以大幅度提升深度學(xué)習模型在邊緣設備的運行效率。本次大賽旨在提升人車(chē)目標檢測在TPU平臺上的精度和部署效率，并應用于實(shí)踐。
選手們通過(guò)多種方法實(shí)現了模型精度的提升。
深度學(xué)習0000043：
為了有效增強模型的檢測性能，我們提高輸入圖像的分辨率，但更大的分辨率要求網(wǎng)絡(luò )具有更大的感受野，所以他們使用了YOLOv5s6模型，同時(shí)使用4head結構有效提升模型對不同尺寸目標的檢測性能.。
在使用預訓練權重、多尺度訓練、模型平均以及同步BN的基礎上，使用大量數據增強來(lái)提升模型的檢測性能及泛化能力。
深度學(xué)習0000020隊伍：
采用了YOLOv7作為baseline，針對給定的訓練數據重新選擇anchor大小，使用K-means方法計算出最合適的anchor值，采用Masico, MixUp等方式提升模型泛化能力，并針對行人和自行車(chē)做random_affine數據增強。
?
更多的優(yōu)化策略后續會(huì )陸續分享，敬請關(guān)注算能深度學(xué)習算法創(chuàng )新賽！
?
?