1. 概述

AI算法開發(fā)流程由以下流程組成:

2. 需求分析

算法的功能常?？梢杂靡粋€短詞概括，如人臉識別、司機行為檢測、商場顧客行為分析等系統(tǒng)，但是卻需要依靠多個子算法的有序運作才能達成。其原因在于子算法的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)各有不同，這些結(jié)構(gòu)的差異化優(yōu)化了各個子算法在其功能上的實現(xiàn)效果。

以下我們列出組成例子：

例子a: 人臉識別算法 = 人臉檢測（檢測模型）+ 矯正人臉姿態(tài)模型（關(guān)鍵點定位模型）+ 人臉比對模型（相似度比對模型）

例子b: 司機行為檢測算法 = 人臉識別算法（具體組成如上例）+ 抽煙玩手機等危險動作識別（檢測模型） + 疲勞駕駛檢測（關(guān)鍵點定位模型）+ 車道線偏移檢測（檢測模型）

例子c: 商場分析 = 人臉識別算法（具體組成如首例）+ 人體跟蹤算法（檢測模型 + 相似度比對模型）

只有在確定了具體需求所需要的步驟后，我們才能有的放矢的采集數(shù)據(jù)，優(yōu)化模型，訓練出合乎我們需求的模型。

3. 準備數(shù)據(jù)

即使準備數(shù)據(jù)在大多數(shù)人看來是繁瑣重復(fù)的工作，這期間仍有許多細節(jié)需要注意的。

數(shù)據(jù)樣本需要良好的多樣性。樣本多樣性是保證算法泛化能力的基礎(chǔ)，例如想要識別農(nóng)產(chǎn)品的功能中，假如我們只是搜集紅蘋果的數(shù)據(jù)，那么訓練出來的網(wǎng)絡(luò)就很難將綠色的蘋果準確識別出。同時還需要加入充足的負樣本，例如我們只是單純地把農(nóng)產(chǎn)品的圖片數(shù)據(jù)喂給神經(jīng)網(wǎng)絡(luò)，那么我們就很難期望訓練出來的神經(jīng)網(wǎng)絡(luò)可以有效區(qū)分真蘋果還有塑料蘋果。為了增強算法的可靠性，我們就需要充分的考慮到實際應(yīng)用場景中會出現(xiàn)什么特殊情況，并將該種情況的數(shù)據(jù)添加進我們的訓練數(shù)據(jù)里面。

數(shù)據(jù)樣本是否可被壓縮。單個樣本數(shù)據(jù)的大小往往決定了網(wǎng)絡(luò)模型的運行效率，在保證效果的情況下，應(yīng)當盡量壓縮圖片的大小來提高運行效率，如112x112的圖片，在相同環(huán)境下的處理速度將比224x224圖片的快4倍左右。但是有些場景卻是需要完整的圖片來保證圖片信息不會丟失，如山火檢測一般需要很高的查全率，過度的壓縮都會導致查全率下降導致算法效果不佳。

數(shù)據(jù)需要合適正確的標注與預(yù)處理。數(shù)據(jù)標注在一定程度上決定了訓練效果能達到的高度，過多的錯誤標記將帶來一個無效的訓練結(jié)果。而數(shù)據(jù)的預(yù)處理，是指先對數(shù)據(jù)做出一定的操作，使其更容易被機器讀懂，例如農(nóng)產(chǎn)品在畫面中的位置，如果是以像素點為單位，如農(nóng)產(chǎn)品的中心點在左起第200個像素點，這種處理方式雖然直觀準確，但是會因為不同像素點之間的差距過大，導致訓練困難，這個時候就需要將距離歸一化，如中心點在圖中左起40%寬的位置上。而音頻的預(yù)處理更為多樣，不同的分詞方式、傅里葉變換都會影響訓練結(jié)果。

數(shù)據(jù)的準備不一定得在一開始就做到毫無遺漏。模型訓練完成后，如果有一定的效果但還存在部分缺陷，就可以考慮添加或優(yōu)化訓練樣本數(shù)據(jù)，對已有模型進行復(fù)訓練修正。即使是后期的優(yōu)化，增添合適的照片往往是最有效的效果。所以對數(shù)據(jù)的考量優(yōu)化應(yīng)該貫穿整個流程，不能在只是在開頭階段才關(guān)注數(shù)據(jù)樣本的問題。

4. 選取模型

通常來講，對于同一個功能，存在著不同的模型，它們在精度、計算速率上各有長處。模型來發(fā)現(xiàn)主要來源于學術(shù)研究、公司之間的公開比賽等，所以在研發(fā)過程中，就需從業(yè)人員持續(xù)地關(guān)注有關(guān)ai新模型的文章；同時對舊模型的積累分析也是十分重要的，這里我們在 下表 中列出目前在各個功能上較優(yōu)的模型結(jié)構(gòu)以供參考。

5. 訓練模型

對于有AI開發(fā)經(jīng)驗的研發(fā)人員，可以用自己熟悉的常見框架訓練即可，如tensorflow、pytorch、caffe等主流框架，我們的開發(fā)套件可以將其轉(zhuǎn)為EASY EAI Nano-TB的專用模型。

6. 模型轉(zhuǎn)換

研發(fā)tensorflow、pytorch、caffe等自主的模型后，需先將模型轉(zhuǎn)換為rknn模型。同時一般需要對模型進行量化與預(yù)編譯，以達到運行效率的提升。