汽車智能座艙系統(tǒng)與應(yīng)用 課件 模塊五 掌握智能座艙中數(shù)據(jù)采集與處理技術(shù)的應(yīng)用

能力模塊五

掌握智能座艙中數(shù)據(jù)采集與處理技術(shù)的應(yīng)用任務(wù)一

了解常見智能座艙的數(shù)據(jù)集作為智能座艙工程師實(shí)習(xí)生，主管現(xiàn)在需要你去做一些數(shù)據(jù)采集的工作，你需要先自己查找有關(guān)智能座艙數(shù)據(jù)集的資料，先觀察已有的成熟的數(shù)據(jù)集的制作模式與成品。任務(wù)引入Tasktointroduce01圖像數(shù)據(jù)集認(rèn)知02語音數(shù)據(jù)集認(rèn)知目錄

CONTENTS03文本數(shù)據(jù)集認(rèn)知圖像數(shù)據(jù)集認(rèn)知PART0101圖像數(shù)據(jù)集認(rèn)知這個(gè)數(shù)據(jù)集包含213,659

張圖片，這些圖片是從15個(gè)筆記本攝像頭上采集下來的，整個(gè)采集周期持續(xù)了好幾個(gè)月，包含了各種光照?qǐng)鼍?，作者手工?biāo)注了37,667張人臉的6個(gè)關(guān)鍵點(diǎn)和瞳孔數(shù)據(jù)。

MPIIGaze數(shù)據(jù)集是一個(gè)人眼注視識(shí)別數(shù)據(jù)集。01圖像數(shù)據(jù)集認(rèn)知該數(shù)據(jù)集包含552,992個(gè)樣本，分為18類手勢(shì)。注釋由帶有手勢(shì)標(biāo)簽的手的邊界框和領(lǐng)先手的標(biāo)記組成。HaGRID手勢(shì)識(shí)別數(shù)據(jù)集

HaGRID數(shù)據(jù)集種類非常豐富，包含one、two、OK等18種常見的通用手勢(shì)，標(biāo)注了手勢(shì)框和手勢(shì)類別標(biāo)簽，可以用于圖像分類或圖像檢測(cè)等任務(wù)。該數(shù)據(jù)集中主要是有關(guān)駕駛員在駕駛汽車的過程中會(huì)出現(xiàn)的幾種駕駛分心所采集的圖片，該數(shù)據(jù)集主要采集了駕駛分心中幾種典型的駕駛分心動(dòng)作：左/右手玩手機(jī)、左/右手持通電話、調(diào)節(jié)多媒體、喝水、向后座伸手拿東西、化妝、與其他乘客交談。StateFarmDistractedDriverDetection數(shù)據(jù)集是幾年前kaggle舉辦的有關(guān)圖像分類的比賽。01圖像數(shù)據(jù)集認(rèn)知StateFarmDistractedDriverDetection語音數(shù)據(jù)集認(rèn)知PART02

該語料庫包含100條中文導(dǎo)航相關(guān)文本語料，語料內(nèi)容包括導(dǎo)航控制、地點(diǎn)查詢、POI（興趣點(diǎn)）等。02語音數(shù)據(jù)集認(rèn)知中文導(dǎo)航語料庫中文車載朗讀音頻數(shù)據(jù)集：該數(shù)據(jù)集包含了8個(gè)小時(shí)的中文普通話朗讀音頻和轉(zhuǎn)寫文本，內(nèi)容為車載環(huán)境下的綜合語料，包含8480個(gè)由38名說話人提供的句子。

該數(shù)據(jù)集包含了5個(gè)小時(shí)的廣式粵語朗讀音頻和轉(zhuǎn)寫文本。02語音數(shù)據(jù)集認(rèn)知粵語車載朗讀音頻數(shù)據(jù)集內(nèi)容為車載環(huán)境中的數(shù)字串與命令控制，包含6219條由10名說話人提供的語料。02語音數(shù)據(jù)集認(rèn)知希爾貝殼中文普通話語音數(shù)據(jù)庫AISHELL-2的語音時(shí)長為1000小時(shí)，其中718小時(shí)來自AISHELL-ASR0009-[ZH-CN]，282小時(shí)來自AISHELL-ASR0010-[ZH-CN]。錄音文本涉及喚醒詞、語音控制詞、智能家居、無人駕駛、工業(yè)生產(chǎn)等12個(gè)領(lǐng)域。錄制過程在安靜室內(nèi)環(huán)境中，同時(shí)使用3種不同設(shè)備：高保真麥克風(fēng)（44.1kHz，16bit）；Android系統(tǒng)手機(jī)（16kHz，16bit）；iOS系統(tǒng)手機(jī)（16kHz，16bit）。AISHELL-2開源中文語音數(shù)據(jù)庫

包含6408位來自中國不同地區(qū)的說話人、總計(jì)1505小時(shí)時(shí)長共3萬條語音、經(jīng)過人工精心標(biāo)注的中文普通話語料集可以對(duì)中文語音識(shí)別研究提供良好的數(shù)據(jù)支持。02語音數(shù)據(jù)集認(rèn)知Aidatatang經(jīng)過專業(yè)語音校對(duì)人員轉(zhuǎn)寫標(biāo)注，并通過嚴(yán)格質(zhì)量檢驗(yàn)，句標(biāo)注準(zhǔn)確率達(dá)98%以上，是行業(yè)內(nèi)句準(zhǔn)確率的最高標(biāo)準(zhǔn)。文本數(shù)據(jù)集認(rèn)知PART0303文本數(shù)據(jù)集認(rèn)知Kaggle數(shù)據(jù)集Kaggle是由聯(lián)合創(chuàng)始人、首席執(zhí)行官安東尼·高德布盧姆（AnthonyGoldbloom）2010年在墨爾本創(chuàng)立的，主要為開發(fā)商和數(shù)據(jù)科學(xué)家提供舉辦機(jī)器學(xué)習(xí)競(jìng)賽、托管數(shù)據(jù)庫、編寫和分享代碼的平臺(tái)。03文本數(shù)據(jù)集認(rèn)知Amazon數(shù)據(jù)集

該數(shù)據(jù)源包含多個(gè)不同領(lǐng)域的數(shù)據(jù)集，如公共交通、生態(tài)資源、衛(wèi)星圖像等。網(wǎng)頁中也有一個(gè)搜索框來幫助用戶尋找想要的數(shù)據(jù)集，包含所有數(shù)據(jù)集的描述和使用示例，信息豐富且易于使用。03文本數(shù)據(jù)集認(rèn)知UCI機(jī)器學(xué)習(xí)資源庫

這是一個(gè)來自加州大學(xué)信息與計(jì)算機(jī)科學(xué)學(xué)院的大型資源庫，包含100多個(gè)數(shù)據(jù)集。用戶可以找到單變量和多變量時(shí)間序列數(shù)據(jù)集，分類、回歸或推薦系統(tǒng)的數(shù)據(jù)集。有些UCI的數(shù)據(jù)集已經(jīng)是被清洗過的。03文本數(shù)據(jù)集認(rèn)知VisualDataVisualData包含一些可以用來構(gòu)建計(jì)算機(jī)視覺（CV）模型的大型數(shù)據(jù)集。用戶可以通過特定的CV主題查找特定的數(shù)據(jù)集，如語義分割、圖像標(biāo)題、圖像生成，甚至可以通過解決方案（自動(dòng)駕駛汽車數(shù)據(jù)集）查找特定的數(shù)據(jù)集。1、以小組為單位，對(duì)各組的操作過程與操作結(jié)果進(jìn)行自評(píng)和互評(píng)，并將結(jié)果填入教材的小組評(píng)價(jià)部分。1、各組派代表闡述資料查詢結(jié)果。2、各組就各自的查詢結(jié)果進(jìn)行交流，并分享技巧。隨堂討論各組代表展示匯報(bào)PPT，介紹任務(wù)的完成過程。任務(wù)實(shí)施感謝觀看能力模塊五

掌握智能座艙中數(shù)據(jù)采集與處理技術(shù)的應(yīng)用任務(wù)二

實(shí)現(xiàn)數(shù)據(jù)的采集與標(biāo)注身為智能座艙工程師實(shí)習(xí)生的你采集到了一批數(shù)據(jù)，可是主管卻告訴你說這一批數(shù)據(jù)并不能直接使用，還需要進(jìn)行數(shù)據(jù)標(biāo)注才行，你查閱相關(guān)資料決定使用標(biāo)注框標(biāo)注法，對(duì)采集到的數(shù)據(jù)進(jìn)行標(biāo)注。任務(wù)引入Tasktointroduce01數(shù)據(jù)標(biāo)注概述02數(shù)據(jù)采集與管理認(rèn)知目錄

CONTENTS03數(shù)據(jù)標(biāo)注方法認(rèn)知數(shù)據(jù)標(biāo)注概述PART0101數(shù)據(jù)標(biāo)注概述數(shù)據(jù)標(biāo)注(DataAnnotations)是指對(duì)收集到的、未處理的原始數(shù)據(jù)或初級(jí)數(shù)據(jù)，包括語音、圖像、文本、視頻等類型的數(shù)據(jù)進(jìn)行加工處理，并轉(zhuǎn)換為機(jī)器可識(shí)別信息的過程。01數(shù)據(jù)標(biāo)注概述

數(shù)據(jù)標(biāo)注主要是根據(jù)用戶或企業(yè)的需求，采用工程化的方法，對(duì)圖像、聲音、文字、視頻等對(duì)象進(jìn)行不同方式的標(biāo)注，從而為人工智能算法提供大量的訓(xùn)練數(shù)據(jù)以供機(jī)器學(xué)習(xí)使用。

常見的數(shù)據(jù)標(biāo)注工具如下：工具名稱簡介標(biāo)注形狀導(dǎo)出數(shù)據(jù)格式LabelImg著名的圖像數(shù)據(jù)標(biāo)注工具矩形XMLPraat語音聲學(xué)軟件跨平臺(tái)，多功能語音學(xué)專業(yè)軟件語音TextGriddoccano開源文本標(biāo)注工具，提供了文本分類、序列標(biāo)記以及序列到序列任務(wù)的標(biāo)注功能文本txt數(shù)據(jù)采集與管理認(rèn)知PART02

數(shù)據(jù)采集是人工智能數(shù)據(jù)工廠中生產(chǎn)數(shù)據(jù)的第一關(guān)。02數(shù)據(jù)采集與管理認(rèn)知數(shù)據(jù)采集人工智能領(lǐng)域必須對(duì)采集的數(shù)據(jù)進(jìn)行準(zhǔn)確把關(guān)，才能有效提高后續(xù)質(zhì)量。當(dāng)前通用的手機(jī)端采集語音、圖像，專用的遠(yuǎn)程語音設(shè)備采集，無人車平臺(tái)采集等，這些采集平臺(tái)和工具缺乏智能化，采集的數(shù)據(jù)依靠后期人工進(jìn)行質(zhì)檢，工作量大，采集成本高。02數(shù)據(jù)采集與管理認(rèn)知智能座艙主要涉及：圖像和聲音兩種數(shù)據(jù)集。

在采集硬件上我們需要攝像頭和麥克風(fēng)，攝像頭我們需要確定工作環(huán)境、安位置、參數(shù)配置（分辨率、數(shù)據(jù)傳輸接口、可視角度范圍等），麥克風(fēng)我們需要確定采樣率、采集聲道、安裝位置等。

在實(shí)際采集環(huán)境中，為了保證數(shù)據(jù)采集的穩(wěn)定性以及持續(xù)性。會(huì)將攝像頭以及麥克風(fēng)單獨(dú)連接到一個(gè)工控機(jī)或者方便攜帶的計(jì)算機(jī)。座艙數(shù)據(jù)采集環(huán)境搭建02數(shù)據(jù)采集與管理認(rèn)知

除了工控機(jī)，車機(jī)也可以用來進(jìn)行采集，特別是結(jié)合實(shí)際車規(guī)級(jí)的硬件環(huán)境，需要選擇對(duì)應(yīng)的車機(jī)。座艙數(shù)據(jù)采集環(huán)境搭建

有效的數(shù)據(jù)管理可以在實(shí)際使用中減少一些數(shù)據(jù)“浪費(fèi)”，避免一些重復(fù)采集，也能讓數(shù)據(jù)有一個(gè)“安全屋”。

一、數(shù)據(jù)存儲(chǔ)02數(shù)據(jù)采集與管理認(rèn)知數(shù)據(jù)管理對(duì)于數(shù)據(jù)存儲(chǔ)，我們可以利用移動(dòng)硬盤、網(wǎng)絡(luò)附屬存儲(chǔ)（NetworkAttachedStorage，NAS）以及數(shù)據(jù)服務(wù)器。這三類設(shè)備在移動(dòng)屬性以及容量大小上能夠互相補(bǔ)充，在實(shí)際管理中經(jīng)常使用。

二、采集記錄

這一部分，需要根據(jù)項(xiàng)目需求進(jìn)行設(shè)計(jì)。02數(shù)據(jù)采集與管理認(rèn)知數(shù)據(jù)管理采集時(shí)間采集類型采集時(shí)段采集數(shù)量采集地點(diǎn)文件格式其他20221208打電話數(shù)據(jù)白天100張臺(tái)架jpg

數(shù)據(jù)標(biāo)注方法認(rèn)知PART0303數(shù)據(jù)標(biāo)注方法認(rèn)知數(shù)據(jù)標(biāo)注方式包括人工標(biāo)注、半自動(dòng)標(biāo)注、自動(dòng)標(biāo)注、眾包等，在標(biāo)注前，我們需要完成以下準(zhǔn)備工作：(1)分析數(shù)據(jù)：明確機(jī)器學(xué)習(xí)和模型訓(xùn)練過程中所需的標(biāo)注數(shù)據(jù)類型、量級(jí)、用途及應(yīng)用場(chǎng)景等。(2)整理數(shù)據(jù)：明確數(shù)據(jù)與標(biāo)簽文件存放的目錄結(jié)構(gòu)。(3)明確命名規(guī)則：應(yīng)明確數(shù)據(jù)與標(biāo)簽文件的命名方式，命名規(guī)則應(yīng)避免數(shù)據(jù)更新迭代時(shí)的重名。03數(shù)據(jù)標(biāo)注方法認(rèn)知標(biāo)注框標(biāo)注方法標(biāo)注框標(biāo)注是一種對(duì)目標(biāo)對(duì)象進(jìn)行標(biāo)注的簡單處理方式，常用于標(biāo)注自動(dòng)駕駛下的人、車、物等。根據(jù)提供的數(shù)據(jù)質(zhì)量和數(shù)量，在標(biāo)注框標(biāo)注的幫助下，使機(jī)器學(xué)習(xí)模型通過訓(xùn)練能夠識(shí)別出所需的目標(biāo)對(duì)象。在人臉識(shí)別系統(tǒng)中，也需要通過標(biāo)注框?qū)⑷四樀奈恢么_定下來再進(jìn)行下一步的人臉識(shí)別。03數(shù)據(jù)標(biāo)注方法認(rèn)知標(biāo)注框標(biāo)注方法一、軟件安裝

對(duì)標(biāo)注工具壓縮包windows_v1.8.0.zip解壓縮后，相同目錄下出現(xiàn)名為windows_v1.8.0的文件夾。如下圖所示，直接運(yùn)行文件夾內(nèi)labelImg.exe后會(huì)出現(xiàn)命令行窗口，軟件主界面自動(dòng)出現(xiàn)（首次運(yùn)行時(shí)可能需要等待片刻）。03數(shù)據(jù)標(biāo)注方法認(rèn)知標(biāo)注框標(biāo)注方法

二、軟件使用 1.圖片導(dǎo)入

批量導(dǎo)入，將所有需要標(biāo)注的一組圖片存放在同一個(gè)文件夾下，然后點(diǎn)擊軟件左側(cè)工具欄的“OpenDir”按鈕，選擇圖片組所在的文件夾，導(dǎo)入成功后，軟件界面如圖所示。03數(shù)據(jù)標(biāo)注方法認(rèn)知標(biāo)注框標(biāo)注方法點(diǎn)擊“CreateRectBox”，此時(shí)鼠標(biāo)指針會(huì)變?yōu)槭譅睿缓笤趫D片中所要標(biāo)注的目標(biāo)區(qū)域直接框選即可，在自動(dòng)彈出的對(duì)話框中選擇目標(biāo)類型，如果列表中沒有所需的類型名，則可以直接輸入。 2.數(shù)據(jù)標(biāo)注

右側(cè)工具欄中的“FileList”分區(qū)可以查看目前所顯示圖片的文件名，標(biāo)注時(shí)通常按照文件名從上到下的順序依次標(biāo)注。03數(shù)據(jù)標(biāo)注方法認(rèn)知標(biāo)注框標(biāo)注方法

如果當(dāng)前需要標(biāo)注的圖片中，某一類型的目標(biāo)數(shù)量很多，可先在右側(cè)工具欄的“Usedefaultlabel”后面輸入該類型標(biāo)簽的名稱，并點(diǎn)選該選項(xiàng)，如圖所示。03數(shù)據(jù)標(biāo)注方法認(rèn)知標(biāo)注框標(biāo)注方法3.修改標(biāo)注內(nèi)容

將鼠標(biāo)放置在目標(biāo)框的綠色小圓點(diǎn)上，該點(diǎn)會(huì)變?yōu)榧t色方形點(diǎn)，此時(shí)可以直接用鼠標(biāo)拖動(dòng)來修改目標(biāo)框大小。03數(shù)據(jù)標(biāo)注方法認(rèn)知標(biāo)注框標(biāo)注方法

若需要修改目標(biāo)的類型標(biāo)簽，先點(diǎn)擊所需修正的區(qū)域，此時(shí)該區(qū)域?qū)⒏采w有藍(lán)色，然后點(diǎn)擊右上角的“EditLabel”進(jìn)行類型名稱的修改。區(qū)域顯示為藍(lán)色時(shí)，也可用鼠標(biāo)左鍵拖動(dòng)實(shí)現(xiàn)標(biāo)注矩形框位置的調(diào)整（不改變矩形框的大小）03數(shù)據(jù)標(biāo)注方法認(rèn)知標(biāo)注框標(biāo)注方法

如需要?jiǎng)h除某個(gè)目標(biāo)的標(biāo)注矩形框，先點(diǎn)擊選取該矩形框，然后再點(diǎn)擊左側(cè)工具欄的“DeleteRectBox”（或在目標(biāo)標(biāo)注矩形框處點(diǎn)擊右鍵來選擇該項(xiàng)）03數(shù)據(jù)標(biāo)注方法認(rèn)知標(biāo)注框標(biāo)注方法4.標(biāo)簽導(dǎo)出

首先確定軟件的左側(cè)工具欄中，是否顯示為所需要導(dǎo)出的格式，PascalVOC格式（對(duì)應(yīng)為.xml文件）和YOLO格式（對(duì)應(yīng)為.txt）。在當(dāng)前圖片中的所有目標(biāo)矩形框已經(jīng)標(biāo)注完成后，點(diǎn)擊右上角File，選擇Saveas，保存在要求的路徑下（文件名一定不要改），文件名無需更改默認(rèn)即可。03數(shù)據(jù)標(biāo)注方法認(rèn)知三、注意事項(xiàng)

標(biāo)注框標(biāo)注方法

每張圖片標(biāo)注完成后，請(qǐng)記得及時(shí)保存（即標(biāo)簽結(jié)果導(dǎo)出），然后可用“NextImage”/“PrevImage”來選擇進(jìn)行下一張/前一張圖片的標(biāo)注。03數(shù)據(jù)標(biāo)注方法認(rèn)知三、注意事項(xiàng)

標(biāo)注框標(biāo)注方法

如果所需要標(biāo)注的內(nèi)容較小或需要高精度標(biāo)注，可以使用上側(cè)工具欄中的“View”–“ZoomIn”放大圖片。03數(shù)據(jù)標(biāo)注方法認(rèn)知四、抽煙行為標(biāo)注

創(chuàng)建JPEGImages文件夾，將需要標(biāo)注的照片放入其中。創(chuàng)建Annotations文件夾，將標(biāo)注完成的圖片標(biāo)簽.xml格式的文件夾放入其中。標(biāo)注框標(biāo)注方法03數(shù)據(jù)標(biāo)注方法認(rèn)知四、抽煙行為標(biāo)注

選擇smoke標(biāo)簽，并用矩形框?qū)⑾銦熆蜃?，如圖所示。標(biāo)注框標(biāo)注方法1、查找資料，學(xué)習(xí)其他標(biāo)注方法，并簡要概括。1、各組派代表闡述資料查詢結(jié)果。2、各組就各自的查詢結(jié)果進(jìn)行交流，并分享技巧。隨堂討論根據(jù)獲取信息中講到的標(biāo)注框標(biāo)注法，標(biāo)注一組圖片，并填寫教材所示的工單。任務(wù)實(shí)施感謝觀看能力模塊五

掌握智能座艙中數(shù)據(jù)采集與處理技術(shù)的應(yīng)用任務(wù)三

實(shí)現(xiàn)數(shù)據(jù)的清洗與增強(qiáng)在座艙視覺模塊的開發(fā)過程中，直接抓取到的圖像數(shù)據(jù)往往不能直接進(jìn)行數(shù)據(jù)訓(xùn)練和使用，主管要求你對(duì)其先進(jìn)行數(shù)據(jù)清洗和數(shù)據(jù)增強(qiáng)，完成數(shù)據(jù)整理工作。作為智能座艙開發(fā)助理，你需掌握數(shù)據(jù)清洗和增強(qiáng)的方法，有助于后續(xù)理解深度學(xué)習(xí)智能座艙的開發(fā)流程。任務(wù)引入Tasktointroduce01深度學(xué)習(xí)數(shù)據(jù)清洗與增強(qiáng)概述02深度學(xué)習(xí)數(shù)據(jù)清洗方法目錄

CONTENTS03深度學(xué)習(xí)數(shù)據(jù)增強(qiáng)方法04了解深度學(xué)習(xí)本地訓(xùn)練部署深度學(xué)習(xí)數(shù)據(jù)清洗與增強(qiáng)概述PART0101深度學(xué)習(xí)數(shù)據(jù)清洗與增強(qiáng)概述數(shù)據(jù)在采集完之后，往往包含著噪聲、缺失數(shù)據(jù)、不規(guī)則數(shù)據(jù)等各種問題，因此需要對(duì)其進(jìn)行清洗和整理工作。例如，用搜索引擎采集貓的圖片，采集到的數(shù)據(jù)可能會(huì)存在非貓的圖片，這時(shí)候就需要人工或者使用相關(guān)的檢測(cè)算法來去除不符合要求的圖片。一般來說，數(shù)據(jù)清洗的原理為：利用有關(guān)技術(shù)，如統(tǒng)計(jì)方法、數(shù)據(jù)挖掘方法、模式規(guī)則方法等將臟數(shù)據(jù)轉(zhuǎn)換為滿足數(shù)據(jù)質(zhì)量要求的數(shù)據(jù)。01深度學(xué)習(xí)數(shù)據(jù)清洗與增強(qiáng)概述數(shù)據(jù)增廣是一種常用的增加訓(xùn)練樣本的手段，圖像增廣在對(duì)訓(xùn)練圖像進(jìn)行一系列的隨機(jī)變化之后，生成相似但不同的訓(xùn)練樣本，從而擴(kuò)大了訓(xùn)練集的規(guī)模。此外，應(yīng)用圖像增廣的原因是，隨機(jī)改變訓(xùn)練樣本可以減少模型對(duì)某些屬性的依賴，從而提高模型的泛化能力。例如，我們可以以不同的方式裁剪圖像，使感興趣的對(duì)象出現(xiàn)在不同的位置，減少模型對(duì)于對(duì)象出現(xiàn)位置的依賴。我們還可以調(diào)整亮度、顏色等因素來降低模型對(duì)顏色的敏感度。深度學(xué)習(xí)數(shù)據(jù)清洗的方法PART02

填充缺失數(shù)據(jù)工作通常以替代值填補(bǔ)的方式進(jìn)行，它可以通過多種方法實(shí)現(xiàn)，如均值填補(bǔ)法使用數(shù)據(jù)的均值作為替代值。然而，該方法忽略了數(shù)據(jù)不一致問題，并且沒有考慮屬性之間的關(guān)系，屬性間的關(guān)聯(lián)性在缺失值估計(jì)過程中非常重要。02深度學(xué)習(xí)數(shù)據(jù)清洗的方法缺失數(shù)據(jù)處理

在數(shù)據(jù)挖掘方法中，關(guān)鍵是挖掘?qū)傩灾g的關(guān)系，當(dāng)進(jìn)行缺失值替代時(shí)，利用這些關(guān)系非常重要。由此觀點(diǎn)出發(fā)，填補(bǔ)的目的在于估計(jì)正確的替代值，并避免填充偏差問題。如果擁有合適的填補(bǔ)方法，則能得到高質(zhì)量的數(shù)據(jù)，數(shù)據(jù)挖掘結(jié)果也會(huì)得到改善。02深度學(xué)習(xí)數(shù)據(jù)清洗的方法對(duì)多數(shù)據(jù)源和單數(shù)據(jù)源數(shù)據(jù)進(jìn)行集成時(shí)，多個(gè)記錄代表同一實(shí)體的現(xiàn)象經(jīng)常存在，這些記錄稱為重復(fù)記錄。同時(shí)，有些記錄并非完全重復(fù)，其個(gè)別字段存在一定差別，但表示的卻是同一對(duì)象，此類記錄即為相似重復(fù)記錄。相似重復(fù)記錄檢測(cè)是數(shù)據(jù)清洗研究的重要方面，在信息集成系統(tǒng)中，重復(fù)記錄不僅導(dǎo)致數(shù)據(jù)冗余，浪費(fèi)了網(wǎng)絡(luò)帶寬和存儲(chǔ)空間，還提供給用戶很多相似信息，起到誤導(dǎo)作用。該類問題的解決主要基于數(shù)據(jù)庫和人工智能的方法。相似重復(fù)對(duì)象檢測(cè)

異常數(shù)據(jù)指數(shù)據(jù)庫或數(shù)據(jù)倉庫中不符合一般規(guī)律的數(shù)據(jù)對(duì)象又稱為孤立點(diǎn)。異常數(shù)據(jù)可能由執(zhí)行失誤造成，也可能因設(shè)備故障而導(dǎo)致結(jié)果異常。異常數(shù)據(jù)可能是去掉的噪聲，也可能是含有重要信息的數(shù)據(jù)單元。02深度學(xué)習(xí)數(shù)據(jù)清洗的方法異常數(shù)據(jù)處理

在數(shù)據(jù)清洗中，異常數(shù)據(jù)的檢測(cè)也十分重要。異常數(shù)據(jù)的探測(cè)主要有基于統(tǒng)計(jì)學(xué)、基于距離和基于偏離3種方法。可以采用數(shù)據(jù)審計(jì)的方法實(shí)現(xiàn)異常數(shù)據(jù)的自動(dòng)化檢測(cè)，該方法也稱為數(shù)據(jù)質(zhì)量挖掘（DQM）。02深度學(xué)習(xí)數(shù)據(jù)清洗的方法數(shù)據(jù)邏輯錯(cuò)誤指數(shù)據(jù)集中的屬性值與實(shí)際值不符，或違背了業(yè)務(wù)規(guī)則或邏輯。如果數(shù)據(jù)源中包含錯(cuò)誤數(shù)據(jù)，相似重復(fù)記錄和缺失數(shù)據(jù)的清洗將更加復(fù)雜。在實(shí)際信息系統(tǒng)中，對(duì)于具體應(yīng)用采用一定的方法解決數(shù)據(jù)邏輯錯(cuò)誤問題，具有實(shí)際意義。不合法的屬性值是一種常見的數(shù)據(jù)邏輯錯(cuò)誤。邏輯錯(cuò)誤檢測(cè)02深度學(xué)習(xí)數(shù)據(jù)清洗的方法多包含大量空數(shù)據(jù)值的列，如個(gè)人對(duì)某些敏感信息回避，故意漏填部分信息包含過多或者過少的單一狀態(tài)的列，如一對(duì)一關(guān)系的列，或者僅包含一個(gè)值的列遠(yuǎn)離或超出某列正態(tài)分布的記錄，如出現(xiàn)負(fù)工資和課程零學(xué)時(shí)的問題不符合特定格式的行，如不同的日期格式同一記錄的不同屬性比較時(shí)，缺失意義的列，如客戶選購某產(chǎn)品的日期早于該顧客的出生日期不一致數(shù)據(jù)

多數(shù)據(jù)源數(shù)據(jù)集成時(shí)，由于不同數(shù)據(jù)源對(duì)同一現(xiàn)實(shí)事物可能存在不一致的表示，從而產(chǎn)生不一致的是數(shù)據(jù)。不一致數(shù)據(jù)一般通過手工或者自動(dòng)化方式檢查。常見的不一致數(shù)據(jù)有：深度學(xué)習(xí)數(shù)據(jù)增強(qiáng)方法PART0303深度學(xué)習(xí)數(shù)據(jù)增強(qiáng)方法幾何變化類

（一）翻轉(zhuǎn)

翻轉(zhuǎn)圖像通常不會(huì)改變對(duì)象的類別，這是最早且最廣泛使用的圖像增廣方法之一。翻轉(zhuǎn)的方式有左右翻轉(zhuǎn)與上下翻轉(zhuǎn)。

使用下述代實(shí)現(xiàn)左右翻轉(zhuǎn)，圖片各有50%的幾率向左或向右翻轉(zhuǎn)，翻轉(zhuǎn)后演示效果圖如圖所示。03深度學(xué)習(xí)數(shù)據(jù)增強(qiáng)方法幾何變化類上下翻轉(zhuǎn)的代碼如下，與左右翻轉(zhuǎn)相同的是，圖像各有50%的幾率向上或向下翻轉(zhuǎn)。03深度學(xué)習(xí)數(shù)據(jù)增強(qiáng)方法幾何變化類

（二）裁剪

隨機(jī)裁剪一個(gè)面積為原始面積10%到100%的區(qū)域，該區(qū)域的寬高比從0.5～2之間隨機(jī)取值。然后，區(qū)域的寬度和高度都被縮放到200像素。03深度學(xué)習(xí)數(shù)據(jù)增強(qiáng)方法幾何變化類

通過對(duì)圖像進(jìn)行隨機(jī)裁剪，使物體以不同的比例出現(xiàn)在圖像的不同位置。這也可以降低模型對(duì)目標(biāo)位置的敏感性。03深度學(xué)習(xí)數(shù)據(jù)增強(qiáng)方法幾何變化類旋轉(zhuǎn)：旋轉(zhuǎn)操作是對(duì)翻轉(zhuǎn)的進(jìn)一步提升，一般以圖像中心為旋轉(zhuǎn)中心進(jìn)行隨機(jī)旋轉(zhuǎn)（有正負(fù)角度約束），以此獲得更多形態(tài)的圖像數(shù)據(jù)。縮放變形：按照設(shè)定的比例縮小或放大圖像數(shù)據(jù)，但該操作會(huì)改變圖像大小，存在失真問題，但全卷積網(wǎng)絡(luò)對(duì)于尺度沒有嚴(yán)格要求。仿射：仿射類操作包括視覺變換操作和分段仿射操作，前者通過對(duì)圖像應(yīng)用隨機(jī)的四點(diǎn)透視變換加以實(shí)現(xiàn)，后者則通過移動(dòng)圖像中點(diǎn)網(wǎng)格上的點(diǎn)及點(diǎn)周圍區(qū)域加以實(shí)現(xiàn)。03深度學(xué)習(xí)數(shù)據(jù)增強(qiáng)方法顏色變化類

我們可以改變圖像顏色的四個(gè)方面：亮度（brightness）、對(duì)比度（contrast）、飽和度（saturation）和色調(diào)（hue）。

03深度學(xué)習(xí)數(shù)據(jù)增強(qiáng)方法顏色變化類

隨機(jī)更改圖像的亮度代碼如下，隨機(jī)改變值是為原始圖像的50%到150%之間，(brightness=0.5)。03深度學(xué)習(xí)數(shù)據(jù)增強(qiáng)方法顏色變化類

我們也可以隨機(jī)更改圖像的色調(diào)。了解深度學(xué)習(xí)本地訓(xùn)練部署PART04一、軟件連通

點(diǎn)擊汽車智能座艙系統(tǒng)實(shí)訓(xùn)臺(tái)中的教學(xué)系統(tǒng)，選擇“手勢(shì)識(shí)別控制單元”（如圖5-3-7所示），進(jìn)入模塊頁面后，點(diǎn)擊實(shí)例測(cè)試，打開攝像頭，點(diǎn)擊“建立通訊連接”，將軟件與python進(jìn)行通訊連接。04了解深度學(xué)習(xí)本地訓(xùn)練部署軟件連接與內(nèi)置數(shù)據(jù)集實(shí)力測(cè)試二、內(nèi)置數(shù)據(jù)集實(shí)例測(cè)試

在軟件內(nèi)部，已經(jīng)嵌入與手勢(shì)識(shí)別相關(guān)的18類數(shù)據(jù)集，其中包括安靜、打電話、OK、拳頭、兩指發(fā)誓、手勢(shì)1-5、停止、搖滾、贊成等常見手勢(shì)。在連通成功后可以直接進(jìn)行測(cè)試。04了解深度學(xué)習(xí)本地訓(xùn)練部署軟件連接與內(nèi)置數(shù)據(jù)集實(shí)力測(cè)試04了解深度學(xué)習(xí)本地訓(xùn)練部署一、制作數(shù)據(jù)集單個(gè)行為數(shù)據(jù)集的制作過程是：①打開攝像頭②填寫該行為的名稱（如打電話）③拍照截取該照片④數(shù)據(jù)類別默認(rèn)放置在train中⑤點(diǎn)擊“確認(rèn)使用改數(shù)據(jù)”。自主創(chuàng)建與訓(xùn)練模型04了解深度學(xué)習(xí)本地訓(xùn)練部署二、數(shù)據(jù)集管理

新創(chuàng)建的圖片數(shù)據(jù)可以在“數(shù)據(jù)集管理”頁面中觀察到，左側(cè)欄為圖片數(shù)據(jù)的默認(rèn)路徑：DataBase->AGR->train->（新創(chuàng)建的行為名稱）->圖片名稱。在圖片名稱上，點(diǎn)擊右鍵，可對(duì)新建的圖片進(jìn)行復(fù)制和刪除。右側(cè)為新拍攝的測(cè)試圖片。自主創(chuàng)建與訓(xùn)練模型04了解深度學(xué)習(xí)本地訓(xùn)練部署三、訓(xùn)練模型

這一步驟主要是對(duì)自主創(chuàng)建/篩選出來的模型進(jìn)行訓(xùn)練，整體操作頁面如左圖所示，訓(xùn)練模型的過程如下圖所示。自主創(chuàng)建與訓(xùn)練模型04了解深度學(xué)習(xí)本地訓(xùn)練部署自主創(chuàng)建與訓(xùn)練模型四、模型訓(xùn)練測(cè)試

測(cè)試環(huán)節(jié)與內(nèi)置的數(shù)據(jù)集測(cè)試的操作步驟相同，點(diǎn)擊頁面左邊的“實(shí)例測(cè)試”，在模型選用上選擇重新創(chuàng)建好的模型（新建的模型名稱通常是：gesture_best_Reset50_mode+生成時(shí)間.h5）。1、根據(jù)教材內(nèi)容，總結(jié)數(shù)據(jù)清洗和數(shù)據(jù)增強(qiáng)的實(shí)現(xiàn)方法。1、各組派代表闡述資料查詢結(jié)果。2、各組就各自的查詢結(jié)果進(jìn)行交流，并分享技巧。隨堂討論根據(jù)工作利用實(shí)訓(xùn)臺(tái)架完成手勢(shì)識(shí)別本地部署實(shí)訓(xùn)，填寫教材所示的工單。任務(wù)實(shí)施感謝觀看能力模塊五

掌握智能座艙中數(shù)據(jù)采集與處理技術(shù)的應(yīng)用任務(wù)四

完成深度學(xué)習(xí)智能座艙開發(fā)流程的認(rèn)知與實(shí)現(xiàn)作為智能座艙開發(fā)助理，在某次項(xiàng)目中，主管要求你根據(jù)項(xiàng)目開發(fā)要求去制定一個(gè)初版的數(shù)據(jù)開發(fā)流程，便于考核你對(duì)數(shù)據(jù)開發(fā)流程的熟悉程度。根據(jù)要求，在完成一些初步的數(shù)據(jù)處理和數(shù)據(jù)訓(xùn)練后，你需要根據(jù)制定的開發(fā)流程，獨(dú)立完成一個(gè)小型的完整的本地部署任務(wù)。任務(wù)引入Tasktointroduce01智能座艙開發(fā)流程介紹02案例：基于卷積神經(jīng)網(wǎng)絡(luò)的駕駛員艙內(nèi)抽煙行為檢測(cè)系統(tǒng)流程的分析與實(shí)現(xiàn)目錄

CONTENTS03駕駛員狀態(tài)監(jiān)控本地訓(xùn)練部署智能座艙開發(fā)流程介紹PART0101智能座艙開發(fā)流程介紹智能座艙開發(fā)流程涉及：利用新場(chǎng)景、場(chǎng)景庫進(jìn)行場(chǎng)景定義；利用HMI設(shè)計(jì)工具進(jìn)行UI/UE設(shè)計(jì)（包含界面及交互邏輯設(shè)計(jì)）；利用HMI框架構(gòu)建工具搭建整個(gè)交互設(shè)計(jì)平臺(tái)；由開發(fā)人員基于搭建的交互設(shè)計(jì)平臺(tái)進(jìn)行軟硬件開發(fā)；測(cè)試人員深入貫穿于整個(gè)開發(fā)過程進(jìn)行階段性單元測(cè)試和集成測(cè)試。測(cè)試結(jié)果部署于車端進(jìn)行搭載。整個(gè)過程由開發(fā)設(shè)計(jì)人員進(jìn)行全方面維護(hù)。

01智能座艙開發(fā)流程介紹數(shù)據(jù)開發(fā)框架

整個(gè)開發(fā)數(shù)據(jù)平臺(tái)是一個(gè)全閉環(huán)流程，該閉環(huán)流程涉及四大數(shù)據(jù)處理過程，最終形成可用于訓(xùn)練的有效模型。01智能座艙開發(fā)流程介紹數(shù)據(jù)開發(fā)框架

查找數(shù)據(jù)缺陷重新進(jìn)行數(shù)據(jù)采集進(jìn)行數(shù)據(jù)標(biāo)注訓(xùn)練數(shù)據(jù)模型數(shù)據(jù)開發(fā)框架流程01智能座艙開發(fā)流程介紹（1）數(shù)據(jù)缺陷

這一過程中，首先需要從已量產(chǎn)的產(chǎn)品中提取數(shù)據(jù)缺陷DATA-Failure；數(shù)據(jù)缺陷包含數(shù)據(jù)漏檢，虛假數(shù)據(jù)，數(shù)據(jù)校驗(yàn)不通過部分等。（2）數(shù)據(jù)采集

針對(duì)數(shù)據(jù)缺陷需要重新進(jìn)行數(shù)據(jù)采集DATA-Collection，該采集過程包含在開發(fā)階段通過搭建的數(shù)據(jù)采集平臺(tái)進(jìn)行數(shù)據(jù)采集（比如可以是實(shí)車在駕駛過程中用到的駕駛艙內(nèi)外行車記錄儀、全景影像、前視或后視攝像頭等），也包含在已經(jīng)量產(chǎn)的車型中設(shè)置的數(shù)據(jù)埋點(diǎn)或影子模式方式進(jìn)行。數(shù)據(jù)開發(fā)框架01智能座艙開發(fā)流程介紹（3）數(shù)據(jù)標(biāo)注

采集數(shù)據(jù)進(jìn)行數(shù)據(jù)標(biāo)注DATA-Label，這里需要注意的是智能座艙和智能駕駛的標(biāo)注方式上有所不同；如座艙主要設(shè)計(jì)圖片、語音等標(biāo)注，ADAS主要涉及道路環(huán)境語義（如車道線、護(hù)欄、錐桶等標(biāo)注類型）等標(biāo)注。（4）數(shù)據(jù)模型

對(duì)于智能座艙算法而言，最重要的是進(jìn)行人工智能的機(jī)器視覺算法訓(xùn)練，該過程設(shè)計(jì)形成較為精準(zhǔn)的數(shù)據(jù)模板，將標(biāo)注后的數(shù)據(jù)用于進(jìn)行數(shù)據(jù)模型訓(xùn)練DATA-Model。數(shù)據(jù)開發(fā)框架AI算法倉庫主要是對(duì)數(shù)據(jù)平臺(tái)中的數(shù)據(jù)模型進(jìn)行有效訓(xùn)練，模型訓(xùn)練主要高中低三種漸進(jìn)開發(fā)模式。高級(jí)模式：該AI算法倉庫中訓(xùn)練模型復(fù)雜，需要耗費(fèi)較多的AI算力用于權(quán)值監(jiān)測(cè)、關(guān)鍵點(diǎn)檢測(cè)、圖像語義分割，圖形骨架提取等。中級(jí)模式：算法倉庫都是一些標(biāo)準(zhǔn)化模型，如安全帶、座椅識(shí)別等標(biāo)準(zhǔn)件的識(shí)別等；這種類型的識(shí)別過程都是一些標(biāo)準(zhǔn)化的識(shí)別過程，甚至不包含浮點(diǎn)運(yùn)算，都是整型運(yùn)算，算法耗費(fèi)算力小，效率高。低級(jí)模式：算法倉庫中復(fù)雜度一般，分類較多，嵌入多模型組合進(jìn)行分類，可實(shí)現(xiàn)諸如抽煙、打電話等駕駛員基本的操作過程識(shí)別。需要說明的是該模型對(duì)于開發(fā)團(tuán)隊(duì)的能力建設(shè)要求較高。01智能座艙開發(fā)流程介紹應(yīng)用開發(fā)框架01智能座艙開發(fā)流程介紹應(yīng)用集成框架應(yīng)用集成框架平臺(tái)包含利用AI應(yīng)用開發(fā)中間件集成模型框架，搭建通信及底層組件開發(fā)集成過程中包含模型轉(zhuǎn)換（即浮點(diǎn)轉(zhuǎn)定點(diǎn)）與編譯，生成標(biāo)準(zhǔn)化模型，隨后通過加載模型跟配置（配置可以放到固定的地方）定義輸入輸出：編寫過程代碼（包含處理邏輯），接收函數(shù)框架，定義消息類型（自動(dòng)反序列化與序列化），釋放軟件等過程釋放軟件等過程。后續(xù)可編譯生成.so文件，并加載到感知管道Pipeline中案例：基于卷積神經(jīng)網(wǎng)絡(luò)的駕駛員艙內(nèi)抽煙行為檢測(cè)系統(tǒng)流程的分析與實(shí)現(xiàn)PART02

根據(jù)各框架的優(yōu)缺點(diǎn)，結(jié)合應(yīng)用實(shí)際我們選擇paddlepaddle，paddlepaddle提供直接的生產(chǎn)途徑。02案例：基于卷積神經(jīng)網(wǎng)絡(luò)的駕駛員艙內(nèi)抽煙行為檢測(cè)系統(tǒng)流程的分析與實(shí)現(xiàn)深度學(xué)習(xí)框架選擇不管是在服務(wù)器、邊緣設(shè)備還是網(wǎng)絡(luò)上，paddlepaddle都可以幫助我們輕松地訓(xùn)練和部署模型，無論您使用何種語言或平臺(tái)。一、下載anaconda Anaconda是一個(gè)開源的Python發(fā)行版本，其包含了conda、Python等180多個(gè)科學(xué)包及其依賴項(xiàng)。使用Anaconda可以通過創(chuàng)建多個(gè)獨(dú)立的Python環(huán)境，避免用戶的Python環(huán)境安裝太多不同版本依賴導(dǎo)致沖突。官網(wǎng)地址：/download/官方地址：/archive/清華大學(xué)鏡像：/anaconda/archive/訓(xùn)練主機(jī)環(huán)境搭建02案例：基于卷積神經(jīng)網(wǎng)絡(luò)的駕駛員艙內(nèi)抽煙行為檢測(cè)系統(tǒng)流程的分析與實(shí)現(xiàn)二、安裝anaconda

訓(xùn)練主機(jī)環(huán)境搭建02案例：基于卷積神經(jīng)網(wǎng)絡(luò)的駕駛員艙內(nèi)抽煙行為檢測(cè)系統(tǒng)流程的分析與實(shí)現(xiàn)數(shù)據(jù)集采集與制作

圖像數(shù)據(jù)采集圖像預(yù)處理圖像標(biāo)注數(shù)據(jù)集預(yù)劃分?jǐn)?shù)據(jù)集采集與制作流程02案例：基于卷積神經(jīng)網(wǎng)絡(luò)的駕駛員艙內(nèi)抽煙行為檢測(cè)系統(tǒng)流程的分析與實(shí)現(xiàn)（1）圖像數(shù)據(jù)采集

由于我們的應(yīng)用為駕駛員抽煙狀態(tài)檢測(cè)，而網(wǎng)絡(luò)上沒有免費(fèi)公開的駕駛員抽煙面部姿態(tài)數(shù)據(jù)集，所以我們將利用攝像頭或者網(wǎng)上爬蟲來獲取數(shù)據(jù)。（2）圖像預(yù)處理

利用OpenCV對(duì)采集到的視頻以每秒10幀進(jìn)行面部截取，并將截取到的圖片保存至相應(yīng)文件夾中。數(shù)據(jù)集采集與制作02案例：基于卷積神經(jīng)網(wǎng)絡(luò)的駕駛員艙內(nèi)抽煙行為檢測(cè)系統(tǒng)流程的分析與實(shí)現(xiàn)（3）圖像標(biāo)注

目標(biāo)檢測(cè)數(shù)據(jù)的標(biāo)注推薦使用LabelMe標(biāo)注工具，具體方法可以查看能力模塊五任務(wù)二“實(shí)現(xiàn)數(shù)據(jù)的采集與標(biāo)注”。（4）數(shù)據(jù)集劃分

轉(zhuǎn)換完數(shù)據(jù)后，為了進(jìn)行訓(xùn)練，還需要將數(shù)據(jù)劃分為訓(xùn)練集、驗(yàn)證集和測(cè)試集，我們可以使用數(shù)據(jù)集劃分工具將數(shù)據(jù)劃分為70%訓(xùn)練集，20%驗(yàn)證集和10%的測(cè)試集。數(shù)據(jù)集采集與制作02案例：基于卷積神經(jīng)網(wǎng)絡(luò)的駕駛員艙內(nèi)抽煙行為檢測(cè)系統(tǒng)流程的分析與實(shí)現(xiàn)PaddleX目前提供了FasterRCNN和YOLOv3兩種檢測(cè)結(jié)構(gòu)，多種backbone模型，可滿足開發(fā)者不同場(chǎng)景和性能的需求。我們選擇YOLOv3-MobileNetV3，優(yōu)點(diǎn)是模型小，移動(dòng)端上預(yù)測(cè)速度有優(yōu)勢(shì)。模型訓(xùn)練02案例：基于卷積神經(jīng)網(wǎng)絡(luò)的駕駛員艙內(nèi)抽煙行為檢測(cè)系統(tǒng)流程的分析與實(shí)現(xiàn)

定義訓(xùn)練和驗(yàn)證時(shí)的transforms #API說明 https://paddlex.readthedocs.io/zh_CN/develop/apis/transforms/det_transforms.html模型訓(xùn)練02案例：基于卷積神經(jīng)網(wǎng)絡(luò)的駕駛員艙內(nèi)抽煙行為檢測(cè)系統(tǒng)流程的分析與實(shí)現(xiàn)

定義訓(xùn)練和驗(yàn)證所用的數(shù)據(jù)集 #API說明： https://paddlex.readthedocs.io/zh_CN/develop/apis/datasets.html#paddlex-datasets-vocdetection模型訓(xùn)練02案例：基于卷積神經(jīng)網(wǎng)絡(luò)的駕駛員艙內(nèi)抽煙行為檢測(cè)系統(tǒng)流程的分析與實(shí)現(xiàn)#初始化模型，并進(jìn)行訓(xùn)練 #可使用VisualDL查看訓(xùn)練指標(biāo)，參考 https://paddlex.readthedocs.io/zh_CN/develop/train/visualdl.html模型訓(xùn)練02案例：基于卷積神經(jīng)網(wǎng)絡(luò)的駕駛員艙內(nèi)抽煙行為檢測(cè)系統(tǒng)流程的分析與實(shí)現(xiàn) #API說明: https://paddlex.readthedocs.io/zh_CN/develop/apis/models/detection.html#paddlex-det-yolov3模型訓(xùn)練02案例：基于卷積神經(jīng)網(wǎng)絡(luò)的駕駛員艙內(nèi)抽煙行為檢測(cè)系統(tǒng)流程的分析與實(shí)現(xiàn)模型訓(xùn)練02案例：基于卷積神經(jīng)網(wǎng)絡(luò)的駕駛員艙內(nèi)抽煙行為檢測(cè)系統(tǒng)流程的分析與實(shí)現(xiàn) #API說明: https://paddlex.readthedocs.io/zh_CN/develop/apis/models/detection.html#paddlex-det-yolov3 #API說明: https://paddlex.readthedocs.io/zh_CN/develop/apis/models/detection.html#id1模型訓(xùn)練02案例：基于卷積神經(jīng)網(wǎng)絡(luò)的駕駛員艙內(nèi)抽煙行為檢測(cè)系統(tǒng)流程的分析與實(shí)現(xiàn) #各參數(shù)介紹與調(diào)整說明： https://paddlex.readthedocs.io/zh_CN/develop/appendix/parameters.html模型裁剪

02案例：基于卷積神經(jīng)網(wǎng)絡(luò)的駕駛員艙內(nèi)抽煙行為檢測(cè)系統(tǒng)流程的分析與實(shí)現(xiàn)模型裁剪可以更好地滿足在端側(cè)、移動(dòng)端上部署場(chǎng)景下的性能需求，可以有效地降低模型的體積，以及計(jì)算量，加速預(yù)測(cè)性能。PaddleX集成了PaddleSlim的基于敏感度的通道裁剪算法，開發(fā)者可以在PaddleX的訓(xùn)練代碼里輕松使用起來。模型裁剪訓(xùn)練

02案例：基于卷積神經(jīng)網(wǎng)絡(luò)的駕駛員艙內(nèi)抽煙行為