신선식품 소매업은 국민 생활 소비의 중요한 부분으로서 업계의 새로운 소비 업그레이드를 촉진하는 데 중요한 역할을 합니다. 슈퍼마켓과 같은 무인 소매 시나리오에서 현재 결제 방법에는 주로 다음이 포함됩니다.
그러나 위의 방법에는 다음과 같은 단점이 있습니다.
- 바코드 방법: 완제품 포장 제품의 경우 비교적 성숙하지만 신선한 제품 자체에는 "스캔할 코드가 없습니다".
- RFID 방식: 필요한 추가 비용을 오랫동안 감당하기 어렵습니다.
- 신선 계량 방법: 동일한 품종이라도 단가가 다르면 구별이 어려우며, 상품 품종을 수동으로 식별해야 하므로 비효율적입니다.
따라서 다양한 상품 식별을 대규모로 지원하고, 관리를 용이하게 하며, 낮은 유지 비용을 유지할 수 있는 식별 시스템을 선택하는 것이 특히 중요합니다.
위의 업계 요구 사항에 부응하여 Paddle과 Intel은 확장성이 필요한 제품 인식 시나리오의 요구 사항을 충족하기 위해 이미지 분류 개발 키트 및 OpenVINO™ 도구 제품군인 PaddleClas를 기반으로 하는 신선 및 소매 제품 인식 시스템 세트를 제공했습니다. 이 솔루션에서는 한 세트의 모델만 학습하면 되며, 후속 사용 프로세스에서 모델을 자주 재학습할 필요가 없으며 검색 라이브러리에 소수의 대표 신제품 이미지만 구성하면 됩니다. 신제품 문제, 상품 문제를 잘 해결할 수 있으며 보조 장비를 추가할 필요가 없으므로 유지 관리 및 사용 비용이 크게 절감됩니다.
프로젝트 링크
https://aistudio.baidu.com/projectdetail/6649316
이 프로젝트에서 Flying Paddle과 Intel은 PP-ShiTuV2 파이프라인 세부 모델 교육, 창고에 새로운 품종을 도입하고 Intel OpenVINO™를 기반으로 신속하게 배포하는 방법을 기반으로 신선 식품 및 소매 제품 인식 시스템의 산업 실무 사례를 구축했습니다. CPU 추론 작업의 성능을 최적화하고 Intel x86 하드웨어 리소스를 최대한 활용합니다.
장면 난이도
- 물체의 모양이 다양합니다. 감지할 제품을 찾는 방법은 무엇입니까?
- 다양한 종류의 상품과 신선 제품이 있는데, 해당 유형을 정확하게 식별하는 방법은 무엇입니까?
- 사용 과정에서 상품과 신선 제품의 반복 속도가 빠른데 모델 업데이트 비용을 줄이는 방법은 무엇입니까?
설계
그림에서 볼 수 있듯이 위의 문제에 대해 그림의 파이프라인을 사용하여 위의 문제를 해결합니다. 전체 파이프라인은 주로 세 부분으로 나뉩니다.
피사체 감지
식별할 상품을 감지하고, 중복된 배경 정보를 제거하고, 신선 제품 식별의 정확성을 향상합니다.
특징 추출
식별할 신선 제품의 이미지에서 특징을 추출합니다.
검색 모듈
검색할 신선제품의 특징을 데이터베이스에 있는 신선제품의 특징과 비교하여 검색할 신선제품의 라벨을 얻습니다.
모델 최적화 전략 및 효과
피사체 감지
피사체 감지는 현재 널리 사용되는 감지 기술로, 사진 속 하나 이상의 피사체의 좌표 위치를 감지한 후 이미지에서 해당 영역을 잘라내어 인식하는 것을 말합니다. 피사체 감지는 인식 작업의 선주문 단계로, 피사체 감지 후 입력 이미지를 인식하여 복잡한 배경을 필터링하고 인식 정확도를 효과적으로 향상시킬 수 있습니다. 감지 속도, 모델 크기, 감지 정확도 등의 요소를 고려하여 PaddleDetection에서 자체 개발한 경량 모델 PicoDet-LCNet_x2_5가 최종적으로 PP-ShiTuV2의 본체 감지 모델로 선택되었습니다. PicoDet 시리즈 모델은 ATSS, Generalized Focal Loss 및 cosine을 통합합니다. 학습률 전략, Cycle-EMA, 경량 감지 헤드 및 기타 최적화 알고리즘 또한 감지 속도와 효과의 균형을 더 잘 맞추기 위해 PicoDet-LCNet_x2_5는 목의 CSP 모듈을 LCNet 모듈로 교체했습니다.
특징 추출
특징 추출은 이미지 인식의 핵심 부분으로, 그 기능은 후속 벡터 검색을 위해 입력 이미지를 고정 차원 특징 벡터로 변환하는 것입니다. 특징 추출 모델의 속도, 모델 크기, 특징 추출 성능 등을 고려하여 PaddleClas가 자체 개발한 PPLCNetV2_base를 최종 특징 추출 네트워크로 선택했습니다. PP-LCNetV2 모델은 PP-LCNetV1을 기반으로 최적화되었으며 주로 재매개변수화 전략을 사용하여 다양한 크기의 컨볼루션 커널의 깊이 컨볼루션을 결합하고 포인트 컨볼루션, 바로가기 등을 최적화합니다. PP-ShiTuV1에서 사용하는 PPLCNet_x2_5와 비교하여 PPLCNetV2_base는 기본적으로 더 높은 분류 정확도를 유지하고 추론 시간을 40% 절약합니다.
모델 배포
OpenVINO ™를 추론 백엔드로 사용하면 CPU 측 작업 처리 속도가 배가됩니다.
다목적 x86 플랫폼은 추가 가속 카드 장치를 구입할 필요 없이 다중 작업 로드를 최대한 활용하고 실현할 수 있는 모델 배포 장치로 사용되어 프로젝트 비용을 크게 절감합니다.
본 프로젝트의 최종 배포 환경은 Intel x86 플랫폼 장비입니다. 본 예시에서는 개발의 편의성을 고려하여 Python을 사용하여 개발 환경을 배포하고 있으며, 시스템은 상품 탐지, 상품 특징 추출, 상품 검색의 3가지 태스크로 구성된 파이프라인으로, 로컬 기반의 경량 소매 상품 인식 시스템을 구현할 수 있다. 데이터웨어 하우스. Xinghe 커뮤니티에서는 전체 사용 예와 개발 지침도 제공됩니다. 이 튜토리얼을 참조하여 빠르게 학습하고 실제 프로젝트에 개발 및 통합할 수 있습니다.
멋진 강좌 미리보기
친구들이 예제 튜토리얼을 더 쉽게 적용할 수 있도록 OpenVINO™ 소프트웨어 개발 엔지니어 Ethan이 8월 19시 에 데이터 준비, 계획 설계부터 모델 최적화 및 배포까지 전체 개발 프로세스에 대한 심층 분석을 제공합니다. 31(목) . 모두에게 코드 연습을 가르칩니다.
