AI實戰：目標檢測模型應用之生活垃圾圖片分類

前言

“華爲雲杯”2020深圳開放數據應用創新大賽·生活垃圾圖片分類

• 【大賽介紹】
  由深圳市政務服務數據管理局、南山區人民政府主辦，南山區政務服務數據管理局、華爲技術有限公司承辦的“華爲雲杯”2020深圳開放數據應用創新大賽（Shenzhen Open Data Innovation Contest，簡稱SODiC），以“數聚粵港澳，智匯大灣區”爲主題，面向全球高等院校、專業研究機構、數據分析公司、開發者徵集基於開放數據的創新應用解決方案和算法模型。

• 【賽題背景】
  2016年12月，深圳市城市管理和綜合執法局發佈了《深圳市打造“全國最乾淨城市”三年行動計劃（2017-2019）》。按照行動計劃的戰略目標，市、區、街各級城管部門隨即開展行動，逐項認真部署落實。市城市管理和綜合執法局領導直奔基層一線，在全市範圍內開展以查找內街小巷市容環境管理問題和督促問題整改落實爲主要內容的“行走深圳”活動。同時，深入推進“源頭充分減量，前端分流分類，中段乾溼分離，末端綜合利用”的垃圾治理深圳模式，積極開展以打造深圳公廁成爲“乾淨衛生、功能完善、美觀雅緻、羣衆滿意”的靚麗城市名片的“公廁革命”。通過建立環境衛生專項整治、指數測評、責任落實等相關個工作機制，並開展城中村、集貿市場、垃圾收運和城市傢俱等相關潔淨行動，越來越多的居民享受到打造全國最乾淨城市帶來的環境福利。

  本賽題以垃圾分類爲主題，利用人工智能技術，對居民生活垃圾圖片進行檢測，找出圖片中有哪些類別的垃圾，並指示出垃圾在圖片中的位置。

目標檢測模型

1、常見目標檢測模型：

• SSD系列
• YOLO系列
  YOLO v1、v2、v3、v4
• R-CNN系列
  R-CNN、Fast R-CNN、Faster R-CNN
• CenterNet
• EfficientNet

2、參考：

• AI實戰：基於深度學習的目標檢測算法彙總：SSD、YOLO系列、FPN

• Feature Pyramid Networks for Object Detection（FPN）

• AI實戰： YOLOv4: Optimal Speed and Accuracy of Object Detection

• AI實戰：高準確率的檢測模型FPN、Mask R-CNN、CenterNet

• AI實戰：基於深度學習的目標檢測算法彙總：R-CNN系列 (R-CNN、Fast R-CNN、Faster R-CNN)

• AI實戰：Object detection之CenterNet

• CenterNet: Keypoint Triplets for Object Detection

• AI實戰：谷歌 EfficientNet

• EfficientDet 算法解讀

• EfficientDet: Scalable and Efficient Object Detection

3、性能對比

• EfficientDet D0~D7 與其他模型的比較：

• CenterNet 與其他模型的對比：

• Faster R-CNN on FPN 與其他模型的對比：

• YOLO v4 與其他模型的對比：
  

綜上，僅考慮AP的話，第一選擇是 EfficientDet D7 。

實戰過程

• 數據增強

  • 隨機旋轉，比如 90°、180°、270°，小角度如10°、20°、30°等
  • 隨機平移
  • 隨機縮放
  • 模糊處理
  • 添加噪聲

  可參考：AI實戰：圖像數據增強方法彙總

• 模型選取

  比賽比的就是AP，所以優先選擇 EfficientDet D7

• 開源代碼

  • EfficientDet
    google官方版，基於tensorflow

  • keras-efficientnet
    處理方法可以參考該代碼，基於keras的efficientnet

  • Yet-Another-EfficientDet-Pytorch
    基於Pytorch的efficientnet