基于PaddlePaddle搭建工业级ICNET应用 预测速度超TensorFlow 20%(3)

执行以下命令加载预训练模型进行训练，同时指定checkpoint保存路径:

python train.py --batch_size=16 –-init_model=”./model_1000/” --checkpoint_path="./chkpnt/" --use_gpu=True  --random_mirror=True --random_scaling=True 

Figure 10 训练损失下降图

测试

完成模型的训练后， 进行效果测试：

执行以下命令在cityscape测试数据集上进行测试：

python eval.py --model_path="./chkpnt/30000/" --use_gpu=True   

在进行30000次迭代后得到的模型在验证数据集上验证的结果为：mean_IoU=67.25%。符合论文中~67%的效果预期，本次实验在p40上完成，完成30000次迭代共耗时近20个小时。

框架对比

下表展示了PaddlePaddle1.3和TensorFlow1.12的性能对比，以下对比实验使用的输入数据是1024x2048分辨率的图片，batch size为16：

本文介绍了图像语义分割实现的主流技术，并在PaddlePaddle上应用ICNET实现cityscape数据集的语义分析实践。另外，我们已经将PaddlePaddle的ICNET应用于领邦精密零件智能分拣机项目，实现了AI技术在产业落地。即基于PaddlePaddle实现了ICNET模型训练、部署，建立了客户自主数据标注->云端训练模型->下载模型->本地部署的全部流程。对比TensorFlow，在相同精度下我们的预测速度要快20%以上（25ms：33ms）。PaddlePaddle框架，不仅是一个性能优秀的深度学习框架，更能够基于对中国本土企业的深度学习需求的深入发掘，从而能够更好的满足国内企业用户的需求。希望PaddlePaddle在传统行业的AI赋能和现代化转型中贡献更多的力量。

参考

1. https://github.com/PaddlePaddle/Paddle
2. https://github.com/tensorflow/tensorflow
3. https://github.com/hszhao/ICNet
4. https://arxiv.org/abs/1704.08545
5. https://arxiv.org/abs/1411.4038
6. https://arxiv.org/abs/1506.04579
7. https://arxiv.org/abs/1612.01105

【编辑推荐】

1. 人工智能在营销中的4个实际应用
2. AI在医学影像技术应用方面的四大核心价值
3. 在网络安全中应用人工智能的五大障碍
4. 首次应用人工智能——你需要思考五个问题
5. 我国人工智能医疗应用场景最火，现有实践还需突破三个瓶颈

（编辑：ASP站长网）