百度飞桨AI识虫任务心得

---

一 、赛题背景

目标检测是计算机视觉中的一个重要的应用方向，与之相关的应用也越来越多。百度飞桨与北京林业大学合作开发的AI识虫项目，是将AI与农业相结合的典型案例。本次比赛将使用林业病虫数据集，使用目标检测算法对图片中的虫子类别和位置进行预测。在《零基础实践深度学习课程》中，老师讲介绍如何使用YOLO-V3算法检测虫子，但老师所讲授的内容只包含最基本的功能。学员需要在此基础上对模型参数或者模型结构进行调整，以得到更好的评估结果。主要改进方案可以从以下四个方面进行：1、 使用其它模型如faster rcnn等；2、 使用数据增强，如对原图进行翻转、裁剪等操作； 3、 修改anchor参数的设置；4、 调整优化器、学习率策略、正则化系数等。

---

二、比赛任务

参赛者需要训练好目标检测模型，并且用训练好的模型在测试数据集上进行预测，每张图片的预测输出结果为图片中包含的虫子的 类别、位置、和置信度得分 。结果保存为json文件。参赛者需提供飞桨训练好的模型参数，可以在AI Studio Notebook中一键运行的预测代码，还有存放预测结果的json文本文件。

三、心得体会

通过最后一周的参赛，能够将最基本也是最常用的图像操作算法YOLO-V3用于实践案例中。在对数据集进行处理时，用到了一系列的图像增强技术，如调节亮度、缩放、翻转、剪裁等，这些操作可以使得Yolov3在训练模型时能够学习到一些剔除环境干扰的参数，进而具备更高的鲁棒性。同时，利用飞桨平台，可以快速的搭建整个框架，对于一些初学者来说，利用该平台能够让你更快地上手，抓住重点。在项目中还有很多需要优化的地方，例如激活函数，优化器的选择，dropout机制抑制过拟合，正则化，学习率衰减等。总之有许多可以改进的空间。只可惜由于工作的关系，在本次实验中没办法投入太多的时间，再加上每次训练花费的时间还是比较长的，所以很多方案都还来不及尝试。希望以后有更多的时间投入进去。总的来说，利用飞桨来进行深度学习是一次很好的体验。希望飞桨能越做越好，能有更多的人用这个平台。