高精度轻量级目标检测产业应用，实现多类通信塔识别

在日常生活中，各种即时通讯早已是不可分割的一部分，而这一便捷服务的实现离不开各种通信塔。通信塔，主要用于运营商、广播电视等部门架设信号发射天线或微波传输设备。

目前，全国已经拥有百万座通信塔，不同类别的通信塔，其维护方式和运营策略均不相同，因此为了保障无线通信系统的正常运行，用AI技术实时准确地识别通信塔并采取维护措施极其重要。

但在真实的产业中，通信塔处于露天环境，周围干扰信息较多；部分类别的通信塔外观相似度很高，如下图；下雨、下雪、强光、阴天等环境，对于通信塔的高精度识别都具有严重影响。

高效准确的塔型识别关乎国家每年高达数亿元的收入与支出，那如何对通信塔进行准确地实时识别呢？

飞桨产业实践范例库开源通信塔识别场景应用，提供了从数据准备、技术方案、模型训练优化，到模型部署的全流程，有效解决了户外复杂环境下高精度目标检测的问题，对于高长宽比目标物、高实时性要求的场景有很好的参考意义，比如城市治理中的建筑物检测。

⭐项目链接⭐https://github.com/PaddlePaddle/awesome-DeepLearning所有源码及教程均已开源欢迎大家star鼓励~

项目难点

项目方案

基于上述难点，我们与中国铁塔股份有限公司就通信塔识别项目开展了合作研发。经过多次业务场景讨论和模型效果验证，最终选用飞桨目标检测开发套件PaddleDetection中的PP-PicoDet模型进行训练与优化。

方案优化：

在优化方面，尝试了以下模型优化策略：迁移学习(预训练模型)、修改Loss、学习率、量化训练，下表详细展示了不同的实验结果(在麒麟980移动端测试速度)：

方案	模型	推理时间/ms	mAP0.5
1	PP-PicoDet(Baseline)	-	90.6%
2	PP-PicoDet+COCO预训练	125	94.7%
3	PP-PicoDet+COCO预训练+修改loss	-	94.5%
4	PP-PicoDet+COCO预训练+调小lr	-	94.7%
5	PP-PicoDet+COCO预训练+修改lr再训练	-	94.9%
6	PP-PicoDet+COCO预训练+量化	78	94.5%

项目效果：

根据实验结果，我们推荐方案6使用PP-PicoDet+COCO预训练模型+量化训练的模型，mAP达到94.5%的同时，预测速度可提升至78ms，实现了速度与精度的平衡。

另外，我们发现其他优化策略几乎没有提升精度，这是因为PP-PicoDet网络本身已经包含了目前得到验证的最优策略，如自研的轻量级骨干网络、激活函数、高效数据增强等，已经达到了目前开源模型的最优性能，因此很难再仅通过叠加策略大幅提升模型精度。具体的模型调优思路，欢迎大家锁定直播！

部署方案：

在模型部署上，PaddleDetection支持飞桨轻量化推理引擎PaddleLite，可以轻松实现高性能端侧部署。同时也支持ONNX转出，适配MNN/NCNN/OpenVINO等预测库。不仅如此，我们还提供了完备的Android部署方案和demo，方便开发者能够参考快速进行端侧效果验证。

产业实践范例教程助力企业跨越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”。

精彩课程预告

为了让小伙伴们更便捷地应用通信塔识别范例教程，百度高级研发工程师于3月10日20:30-21:00为大家深度解析从数据准备、方案设计到模型优化部署的开发全流程，手把手教大家进行代码实践。

欢迎小伙伴们扫码进群，免费获取直播课和回放视频链接，更有机会获得覆盖智慧城市、工业制造、金融、互联网等行业的飞桨产业实践范例手册！ 也欢迎感兴趣的企业和开发者与我们联系，交流技术探讨合作。

扫码报名直播课，加入技术交流群