城市站点
> easydl官网(百度大脑 EasyDL 专业版最新上线自研超大规模视觉预训练模型)
详细内容

easydl官网(百度大脑 EasyDL 专业版最新上线自研超大规模视觉预训练模型)

时间:2022-08-25 19:52:31     人气:617     来源:www.zhongshaninfo.com     作者:爱发信息
概述:......


在学习与定制AI模型的过程中,开发者会面对各种各样的概念,在深度学习领域,有一个名词正在被越来越频繁地得到关注:迁移学习。它相比效果表

http://www.jsyunjun.com/file/upload/tt1999/999.jpg

现好的监督学习来说,可以减去大量的枯燥标注过程,简单来说就是在大数据集训练的预训练模型上进行小数据集的迁移,以获得对新数据较好的识别效果,因其能够大量节约新模型开发的成本,在实际应用中被更广泛地关注。EasyDL专业版在最新上线的版本中,就引入了百度超大规模视觉预训练模型,结合迁移学习工具,帮助开发者使用少量数据,快速定制高精度AI模型。

在训练一个深度学习模型时,通常需要大量的数据,但数据的采集、标注等数据准备过程会耗费大量的人力、金钱和时间成本。为解决此问题,我们可以使用预训练模型。以预训练模型A作为起点,在此基础上进行重新调优,利用预训练模型及它学习的知识来提高其执行另一项任务B的能力,简单来说就是在大数据集训练的预训练模型上进行小数据集的迁移,以获得对新数据较好的识别效果,这就是迁移学习(Transfer Learning)。迁移学习作为一种机器学习方法,广泛应用于各类深度学习任务中。在具体实现迁移学习时,有多种深度网络迁移方法,其中的Fine-tune(微调)是最简单的一种深度网络迁移方法,它主要是将已训练好的模型参数迁移到新的模型来帮助新模型训练。

在实际应用中,针对一个任务,我们通常不会从头开始训练一个模型,因为这非常耗时耗力,不仅需要大量的计算资源、丰富的经验去保证模型的效果,还需要ImageNet量级(千万级)的数据集保证模型的泛化性,需要支付高昂的成本。因此,一般我们会选择在公开的大数据集上训练收敛、且效果较好的模型,作为预训练权重,在此基础上使用业务数据对模型进行Fine-tune。在Fine-tune时,默认源域(预训练模型)、目标域数据集(用户业务数据集)需要具有较强相关性,即数据同分布,这样我们能利用预训练模型的大量知识储备,快速高效地训练出针对特定业务场景并具有优秀效果的模型。

但在应用预训练模型到实际场景时,很多用户会面临数据集与源数据集分布不同的问题。比如,预训练模型的数据都是自然风景,但用户的数据集都是动漫人物。类似这种源数据集和目标数据差别较大的问题,在具体应用中较易导致负向迁移

http://www.jsyunjun.com/file/upload/tt1999/999.jpg

,具体表现为训练收敛慢,模型效果差等。

因此,一个包含各类场景、覆盖用户各类需求的超大规模数据集就十分重要,通过这个包罗万象的超大规模数据集训练所得的模型,才能够更好地适应来自各行各业用户的需求,更好地Fine-tune用户的业务数据集,帮助用户在自己的数据集上得到效果更好的模型。

百度超大规模预训练模型便在此背景下产生,覆盖自然语言处理和视觉两大方向。在自然语言处理方向,百度自研了业界效果最好的预训练模型ERNIE,开创性地将大数据预训练与多源丰富知识相结合,持续学习海量数据中的知识,将机器语义理解水平提升到一个新的高度。ERNIE在中英文的16个任务上已经超越了业界最好模型,全面适用于各类NLP应用场景。目前,EasyDL专业版已预置了领先的预训练模型ERNIE2.0,并配套了多种NLP经典算法网络,支持了文本分类、短文本匹配和序列标注等典型文本处理任务。

视觉方向,百度自研超大规模视觉预训练模型覆盖图像分类与物体检测两个方向。图像分类的预训练模型,用海量互联网数据,包括10万+的物体类别,6500万的超大规模图像数量,进行大规模训练所得,适应于各类图像分类场景;物体检测的预训练模型,用800+的类别,170万张图片以及1000万+物体框的数据集,进行大规模训练所得,适应于各类物体检测应用场景。相对于普通使用公开数据集训练的预训练模型,在各类数据集上都有不同程度效果提升,模型效果和泛化性都有显著提升。

(以下实验数据集均来自不同行业)


图像分类

在图像分类模型中,使用百度超大规模预训练模型的Resnet50_vd相比普通模型在各类数据集模型效果上平均提升12.76%,使用百度超大规模预训练模型的Resnet101_vd,相比于普通预训

http://www.jsyunjun.com/file/upload/tt1999/999.jpg

练模型,平均提升13.03%,使用百度超大规模预训练模型的MobilenetV3_large_1x,相比于普通预训练模型,平均提升8.04%。




并且,在图像分类方向,还新增了11个模型,包括:

  • EffcientNetB0_small

  • EfficientNetB4

  • MobileNetV3_large_x1_0

  • ResNet18_vd

  • ResNeXt101_32x16d_wsl

  • Res2Net101_vd_26w_4s

  • SE_ResNet18_vd

  • Xception71

还有基于百度超大规模预训练模型训练出来的:

  • ResNet50_vd

  • ResNet101_vd

  • MobileNetV3_large_x1_0

其中比较特殊的几个模型,EffcientNetB0_small是去掉SE模块的EffcientNetB0,在保证精度变化不大的同时,大幅提升训练和推理速度,ResNeXt101_32x16d_wsl 是基于超大量图片的弱监督预训练模型,准确率高,但预测时间相对增加,Res2Net101_vd_26w_4s则是在单个残差块内进一步构造了分层的残差类连接,比ResNet101准确度更高。

新增的分类模型的推理时间、效果,以及支持的部署方式如下表所示:


注:以上模型均基于ImageNet1k分类数据集训练和测试

更多预置模型,参见EasyDL官网:

https://ai.baidu.com/ai-doc/EASYDL/0k38n3p16

更多模型效果,参见PaddleClas:

https://paddleclas.readthedocs.io/zh_CN/latest/models/models_intro.html

并且,为了进一步提升图像分类模型的模型效果,在训练层面,图像分类新增了mix_up和label_smoothing功能,可以在单标签分类任务中,根据模型的训练情况选择开启或者关闭。mix_up是一种数据增强方式,它从训练样本中随机抽取了两个样本进行简单的随机加权求和,并保存这个权重,同时样本的标签也对应地用相同的权重加权求和,然后预测结果与加权求和之后的标签求损失,通过混合不同样本的特征,能够减少模型对错误标签的记忆力,增强模型的泛化能力。Label_smoothing是一种正则化的方法,增加了类间的距离,减少了类内的距离,避免模型对预测结果过于confident而导致对真实情况的预测偏移,一定程度上缓解由于label不够soft导致过拟合的问题。


物体检测

在物体检测模型中,使用百度超大规模预训练模型的YOLOv3_DarkNet相比普通模型在各类数据集模型效果上平均提升4.53 %,使用百度超大规模预训练模型的Faster_RCNN,相比于普通预训练模型,平均提升1.39%。



并且,在物体检测方向,新增了Cascade_Rcnn_ResNet50_FPN、YOLOv3_ResNet50vd_DCN、YOLOv3_MobileNetv1网络,以及基于百度超大规模预训练模型训练出来的YOLOv3_Darknet、Faster_R-CNN_ResNet50_FPN,其中,Cascade_Rcnn_ResNet50_FPN通过级联多个检测器以及设置不同IOU的重采样机制,使得检测器的精度、和定位的准确度进一步提升。此外,针对用户的需求,新增两种YOLOv3的变种模型,其中,YOLOv3_MobileNetv1,是将原来的YOLOv3骨架网络替换为MobileNetv1,相比YOLOv3_DarkNet, 新模型在GPU上的推理速度提升约73%。而YOLOv3_ResNet50vd_DCN是将骨架网络更换为ResNet50-VD,相比原生的DarkNet53网络在速度和精度上都有一定的优势,在保证GPU推理速度基本不变的情况下,提升了1%的模型效果,同时,因增加了可形变卷积,对不规则物体的检测效果也有一定的正向提升。

各检测模型的效果,以及支持的部署方式如下表所示:


注:以上模型均基于COCO17数据集训练和测试。

更多预置模型,参见EasyDL官网:

easydl

https://ai.baidu.com/ai-doc/EASYDL/0k38n3p16

更多模型效果,参见PaddleDetection:

https://github.com/PaddlePaddle/PaddleDetection/blob/release/0.3/docs/MODEL_ZOO_cn.md

各模型的推理时间如下表所示:


注:以上模型均基于coco17训练所得。

更多模型速度详情,参见PaddleDetection:

https://github.com/PaddlePaddle/PaddleDetection/blob/release/0.3/docs/advanced_tutorials/deploy/BENCHMARK_INFER_cn.md

百度超大规模视觉预训练模型对比公开数据集训练的预训练模型,效果提升明显,目前这些模型已经预置在EasyDL专业版中正式发布。EasyDL专业版是飞桨企业版零门槛AI开发平台EasyDL,面向专业算法工程师群体,专门推出的AI模型开发与服务平台。支持视觉及自然语言处理两大技术方向,可灵活支持脚本调参及Notebook两类开发方式,预置了几十种经典网络和百度海量数据训练的预训练模型,模型效果在业界保持领先,同时支持公有云/私有化/设备端等灵活的部署方案,开发效率高、训练速度快,同时设备端轻量级部署和加速方案使得显存占用更少,预测速度更快。

开发者可以搜索进入EasyDL平台,选择专业版,选择【新建任务】-【配置任务】-【选择预训练模型】处选择【百度超大规模数据集 通用分类与训练模型】


EasyDL零门槛AI开发平台,面向AI开发全流程提供灵活易用的一站式平台方案。包含了AI开发过程中的三大流程:数据服务、训练与开发、模型部署。

在数据服务上,刚刚上线的EasyData智能数据服务平台覆盖了数据采集、管理、清洗、标注、安全,并支持接入EasyDL进行训练,在模型训练部署之后,在云服务授权的前提下完成数据

http://www.jsyunjun.com/file/upload/tt1999/999.jpg

回流,查找识别错误的数据,纠正结果并将其加入模型迭代的训练集,实现训练数据的持续丰富和模型效果的持续优化。EasyData是业内首家推出了软硬一体、端云协同自动数据采集方案的平台,有离线视频数据采集的用户,可以下载EasyData的数据采集SDK,通过定时拍照、视频抽帧等方式,实时统计到云端进行处理。

在训练与开发上,除了刚刚提到的大规模预训练模型来提升模型性能,EasyDL还采用了AutoDL自动搜索最优网络、自动超参搜索、自动数据增强、分布式训练加速等丰富的训练机制,提升模型的训练效果和训练速度。

在模型部署上,EasyDL提供端云协同的多种灵活部署方式,包括公有云API、设备端SDK、本地服务器部署、软硬一体产品。值得关注的是,在EasyDL软硬一体产品矩阵方案中,提供了六款软硬一体方案,覆盖超高性能,高性能和低成本小功耗三种不同形态,满足开发者的各类业务需求,已经在几十个行业上百个场景中落地应用。更多软硬一体方案信息,可以查看:

https://ai.baidu.com/easydl/solution

点击进入EasyDL专业版,感受预训练模型的强大效果吧!


(声明: 网站所收集的部分公开资料来源于互联网,转载的目的在于传递更多信息及用于网络分享,并不代表本站赞同其观点和对其真实性负责,也不构成任何其他建议。本站部分作品是由网友自主投稿和发布、编辑整理上传,对此类作品本站仅提供交流平台,不为其版权负责。如果您发现网站上有侵犯您的知识产权的作品,请与我们取得联系,我们会及时修改或删除。 )

  • 生活中我们会遇到很多“好玩”的 AI,在有趣的交互过程中给我们带来愉悦的体验。其实,这些表现极佳的“玩伴”,背后还有一位叫 EasyDL 高师指点。


    应用百度大脑 EasyDL 定制化训练和服务平台的技术,零算法基础也可在线可视化操作训练,快速获得业务定制模型,轻轻松松“玩”出彩。


    上海客赛+AR 积木拼接 轻松实现营销新玩法


    积木拼接是激发好奇心的重要方式,而在 AR 加持下,乐高积木也可以有更多趣味。上海客赛作为乐高集团的技术服务商,通过将自有技术与百度 EasyDL 相结合,实现了 webAR 程序的开发。

    在 EasyDL 平台上,上海客赛将乐高游戏的海报、积木等图像进行分类模型训练,几十分钟后,就得到了能够识别乐高游戏海报、积木的模型。后将 API 能力集成到 APP 中,实现乐高“夏日时空大探险”定制模型的自训练和识别能力。


    仅在短短5天内,就成功为乐高集团打造出优质的“夏日时空大探险”AR 互动程序,目前已有3600多名用户体验了这一功能,共同感受积木的魔力。


    Keep+图像识别技术

    http://www.jsyunjun.com/file/upload/tt1999/999.jpg

    让马拉松赛一路荣耀?


    马拉松热潮来袭,越来越多的跑友也参与到不受空间和人数限制的线上马拉松比赛当中。然而线上赛事用户往往很难体验到冲刺时众人迎接的欢呼声与仪式感。

    作为国内领先的运动健身平台,Keep APP 满足了跑友热切参与的需求。在2018北京马拉松比赛活动中,只要成功在线报名,即可体验在任何地点完成全程或部分行程马拉松的电子“完赛证书”,还可兑换官方颁发的沉甸甸的奖牌。


    在 EasyDL 的帮助下,Keep 用包含“2018线上北京马拉松赛”的奖牌和其余4种奖牌共计418张图片,在不到一周时间内生成了16个模型版本,并最终完成了准确率高达99.18%的赛事奖牌识别任务。


    独特交互设计下,用户还能真实感受到马拉松终点众人迎接下领取完赛证书的闪光时刻,在线科技也可以如此有科技感!



    尺寸科技+AI 识鱼 一起畅玩海洋馆


    暑假到,充满趣味的海洋馆又成为大人小孩

    http://www.jsyunjun.com/file/upload/tt1999/999.jpg

    热衷的景点。然而,对于生物知识的普及往往依赖于少量的人力讲解及纸质材料,此类方式往往过于陈旧、枯燥、费时费力且传播效率较低。


    在 EasyDL 的帮助下,尺寸科技为海洋馆提供了一套更快捷、高效和更具趣味性的讲解方式——用手机即可 AI 识鱼。


    尺寸科技在海量海洋生物内容的基础上,利用百度百科资料、海洋馆现场采集和用户自主拍摄图片等素材,对包含海狮、海豚在内的85种海洋生物进行数据采集,将4400张生物图片使用 EasyDL 完成 AI 识鱼模型。


    在将模型嵌入小程序后,仅利用一天时间,便获得准确率高达95%的海洋生物识别模型,在提升互动性的同时还节省了50%的讲解人力。目前,这样洋气的讲解方式已在寿光极地海洋世界落地使用,未来还将在十余家海洋馆进行实地推广。


    淘丁集团+猜拳识别? 比比谁更机智


    现如今,网游电玩已经占据着休闲娱乐游戏的大片江山。你还记得“古早”的猜拳游戏吗?在 EasyDL 平台的帮助下,传统互动游戏焕发了新生机,机器也可以和你玩猜拳。


    淘丁集团通过 EasyDL训练剪刀石头布图片573张,迭代7个版本,得到准确率高达97%的“猜拳识别”模型,开发出智能猜拳机。


    从图片采集到识别返回结果仅需要200 ms,人机斗智斗勇完全不在话下。目前,智能猜拳机已在陕西互联网大会、百度世界大会等亮相展出,并将在更多地区陆续落地。


    easydl



    EasyDL 定制化能力不仅能帮助产品变身“玩咖”,还能节省大量时间。不同领域、不同需求,你想要的 EasyDL 都有。欢迎进入官网(https://ai.baidu.com/easydl/)查看更多信息~


  • 李林 发自 凹非寺

    量子位出品 | 公众号 QbitAI

    百度非常愿意和全球有梦想的开发者一起,来实现一个理想:Everyone can AI。”

    2018年7月的百度Create开发者大会上,李彦宏一句话赢来满场掌声。

    百度有一款工具便与这个理想息息相关——定制化训练及服务平台EasyDL。它的目标,就是让零算法基础的用户,也可以基于自身业务需求和数据,快速训练专属的定制化AI模型。


    转眼已是2019,EasyDL怎么样了?

    如果你对它的印象还停留在刚刚推出之时,认为它不过是个能自动训练图像分类模型的试验性产品,那么,你的认识需要刷新一下了。

    2018年,EasyDL有两大核心进展。


    http://www.jsyunjun.com/file/upload/tt1999/999.jpg

    产品和技术层面,它支持的任务已经覆盖图像分类、物体检测、文本分类、声音分类。

    而且,EasyDL还新增用离线SDK来部署模型功能,用户不仅能通过调用接口来使用在平台上训练出来的模型,还可以下载封装了模型的SDK,嵌入终端使用,无需联网就能运行。

    应用落地方面,官方数据显示,截止2018年12月31日,EasyDL平台总注册用户数超过10万名,应用企业覆盖22个行业。

    全面发展的EasyDL,正在一点一点地削低人工智能开发门槛,助力各行各业升级转型,也让更多普通个人参与进来,用AI改变生活。

    削平门槛,人人AI


    2018年,无论从企业的行动上,还是从政府的政策鼓励上来看,AI发展的主旋律都离不开两个字:

    落地。

    工厂流水线上的质量检测、商店里的自动识别结账、无处不在的智能审核……

    越来越多来自不同领域的企业,开始“想AI”。他们面前,摆着重重关卡。

    先是人才关

    人民日报》海外版此前有报道称,中国人工智能人才缺口超过500万。这样的供需关系也导致人工智能人才价格水涨船高,《第一财经》在2018年冬天的一篇报道中提到,企业招应届生的薪水比上年提高了10%-20%,甚至有公司给博士生的薪水从上一年的年薪50万元涨到了80万。

    招不到、招不起,似乎已成常态。

    就算高价请来AI大牛,还有业务关摆在面前,“落地”依然遥远。要把前沿技术与相对传统的业务实践结合起来,可是个难题。

    怎样跨越这两道关卡?

    百度的第一个答案,是百度大脑AI开放平台上的一系列标准API,包括语音识别、图像识别、自然语言处理等等,供企业直接使用。

    http://www.jsyunjun.com/file/upload/tt1999/999.jpg

    这的确帮企业绕开了人才一关,但放到实际业务场景里,百度发现,很多客户都有个性化需求,统一的API倒在了业务关前。

    比如说,一个通用的图像识别API,面对细分场景的需求实在无能为力:想让它看图识别家居风格?判断工人有没有穿工服?厨师有没有戴帽子口罩?Sorry,没学过。

    要是懂业务的自家员工,能用自家数据,定制训练符合自家业务场景需求的AI模型就好了……

    可是这些员工可能并不熟悉深度学习,如何跨越技术门槛?

    这就要看“优化版”答案了:2017年11月,百度上线自动化机器学习平台EasyDL。几乎是同时,谷歌也瞄准了这个方向。2018年1月,谷歌开始测试自动化机器学习产品AutoML。

    两家在人工智能领域大力布局的巨头,都进入了这个领域。

    EasyDL作为定制化模型训练和服务平台,用自动的算法削平了定制AI模型的技术门槛,用户需要做的,是理清需求,准备数据。

    定制AI模型4步走

    用EasyDL训练机器学习模型,分4步:


    整个流程都是可视化图形操作,不用写一行代码,就能训练出AI模型。

    训练出来的模型,也并不比专业人士差。

    EasyDL训练的模型,有2/3以上准确率都超过了90%,在比较简单的任务上,比如为传统制造业的鲽鱼科技检测键盘组装是否合格,识别准确率就超过了99%。

    而且,训练起来,可能比专业人士还快。拿1000张图片使用EasyDL训练一个图像识别模型最快只需要8分钟;拿1000条音频来训练声音分类模型,只需15分钟;使用3000条数据训练文本分类模型,也只需8分钟。

    4步自动定制高精度模型,是由什么样的技术支撑的呢?

    为了实现全流程自动化,百度构建了机器学习从训练到上线的工作流引擎AI Workflow,能将大数据成熟的工程系统与人工智能分布式模型训练相结合。

    easydl

    http://www.jsyunjun.com/file/upload/tt1999/999.jpg


    而模型训练的工作,就要交给迁移学习和自动模型搜索(Auto Model Search)了。

    训练的原理,简单来说是个“举一反三”的过程:拿来一个经过大规模数据集预训练的模型,把它学到的“知识”应用到特定的业务场景上。帮它理解这个场景的,是来自实际业务的新数据集。

    这个新数据集并不需要太大,比如说在图像识别任务里,用户只需要为每个类别准备20到100张图像就够了。

    自动训练的过程,则比人类专家训练模型有效率得多。为了尽可能找到性能最好的模型,自动模型搜索算法会选择多个预训练模型,再搭配不同的批次大小、学习率等超参数,发起多个训练。然后,再筛选出最适合的模型。


    另外,EasyDL的算法还会自行通过early stopping来降低过拟合风险。除了模型训练之外,EasyDL平台还包括了数据集管理、标注、版本控制等功能。

    这样,那些本来离人工智能有点遥远的企业、机构、甚至爱好者,都具备了训练模型的能力。

    进击的2018:落地各行各业

    就是这个一站式的人人AI平台,从发布到现在,一年出头的时间实现了巨大的跨越。

    EasyDL在2017年11月初次亮相时,只有图像识别一种能力,其他数据,概不能学。


    一年出头的时间,它增加了定制化声音分类和文本分类两大类新功能,还有新的部署方式:离线SDK。

    声音分类可以用在安防领域来监测异常声音,也能用在野外通过声音分辨不同物种;文本分类则用来给文章分类、审核文字内容有没有包含违法信息等等。

    而离线SDK,则应对着企业实际应用中的现实问题:网络可能不好,数据可能不方便传到云端,对检测速度可能有极高要求。这些,就催生了把模型部署到本地硬件上的离线SDK。

    现在,EasyDL平台总注册用户数超过10万名,覆盖的行业有22个,包括零售、安防、互联网内容审核、医疗、法律、会计、餐饮、购物等等。


    在工业领域,它就已经是个很成熟的质检员了。在一家名叫柳州源创的传统企业里,检验工业喷油嘴瑕疵这道工序就已经不再需要人力——EasyDL训练的算法代劳了,每年节约的人力成本有60万元。


    又比如地板公司圣象,也通过EasyDL把人工智能用到了生产中。以前,生产出来的地板需要工人一片片肉眼识别是否合格,再分拣出来。而现在,他们部署了EasyDL训练出来的算法,用摄像头自动判断地板质量、机器自动分拣。“比做了3年的老员工还要精准”。


    在安防监控领域里,它也是个厉害的监测者。说广东佛山的供电局,就在用EasyDL训练的模型,通过摄像头时刻监控输电线路有没有遇到吊车、挖掘机等安全隐患。长江沿岸,也有摄像头结合EasyDL训练出的算法监控着非法采砂、破坏河道的船只。


    最新上线的文本分类模型也已有落地应用。货运平台货拉拉就在用EasyDL文本分类,来筛选优质用户留言,精准定位目标客户,提升整体的运营效率。

    也有商家用EasyDL训练的模型审核商品陈列是不是符合要求,中国食品药品鉴定研究院在用它识别中草药,还有供电局用它监控输电线路隐患……

    案例之多,应用场景之丰富,远不是这样几段文字所能展现。

    而这种广泛应用,也正体现出了EasyDL与企业需求的契合。它只需少量数据,就可以训练出模型,然后落地验证效果。这样,既为企业省去了找深度学习工程师的成本,又大大降低了因为可行性不确定而带来隐患。

    在AI变革生产力的大潮中,EasyDL这样的工具让众多中小企业有了参与感:要想让AI成为各行各业新的生产力,不能仅仅依靠行业里的头部公司做定制化的大单,这样一个大单需要AI公司动用少则几十人,多则几百人的团队,耗资上千万,很难规模化。

    EasyDL展示了百度AI开放生态的另一种玩法:用平台的思路,做规模化的AI落地。


    EasyDL这个定制化工具,是百度大脑AI开放平台一站式AI解决方案的一部分。

    整套解决方案中,有深度学习框架PaddlePaddle等底层技术,供有算法实力的公司使用;有能满足零技术基础企业个性化需求的EasyDL和Unit智能对话训练与服务平台、模板化文字识别平台;还有各行各业应用场景的成套解决方案,直接满足企业比较普遍的需求。

    迎接全民开发者时代

    其实不止企业,很多既没有基础,又单打独斗的个人,也在用EasyDL进行实践,融入AI无处不在的时代。

    2018年5月以来

    http://www.jsyunjun.com/file/upload/tt1999/999.jpg

    ,百度举办了多场EasyDL挑战赛,参赛者有来自一线的工程师、工人、律师、会计、护士等。

    他们从自己的职业和生活出发,用EasyDL设计了各种脑洞大开的AI模型。有识别口红色号模型,用来拯救直男,有共享单车损坏识别,有小麦识别病症模型……这些AI模型虽然较难产生巨大的经济效益,做出巨大的科技突破,但是却能解决个人经验积累、信息不对称的问题。

    比如说在医疗行业,医生这个职业的高度专业性,让技术的落地难上加难。好在,也有医生在根据自己的需求,定制出了属于医生的AI模型。

    援藏医生陈静飞就是这样做的。藏地牧区,寄生虫病高发,而检验人员缺乏。于是,他就运用EasyDL技术,几个月建立了一套寄生虫识别系统,可以识别显微镜下十几种寄生虫卵,测试准确率超过97%,可以媲美20年临床经验的专家。


    也有久病成医者。亲人不幸患病的个人开发者郭晶,就开发了医学诊断模型,想辅助医生分析病情,减少失误。他组建团队用EasyDL开发了AI辅助诊断和管理App,仅是EasyDL比赛就参加了两次,还获得了第四届中国研究生移动终端应用设计创新大赛三等奖。

    此前,很多人谈到AI的时候,要么恐惧,要么就抱有过高的期待,不如直接试一试EasyDL,在尝试中看看AI究竟能做什么,培养起AI时代的AI素养。

    Next…

    覆盖了这么多用户、积累了各个行业的应用之后,EasyDL的下一步是什么?

    答案是更多模型定制新功能。百度透露,未来将会在平台易用性、模型类型的丰富度上持续精进,与各行业合作伙伴一起壮大EasyDL平台。

    继续扩大用户群、扩展到更多行业,也是必然。

    http://www.jsyunjun.com/file/upload/tt1999/999.jpg

    诚挚招聘

    量子位正在招募编辑/记者,工作地点在北京中关村。期待有才气、有热情的同学加入我们!相关细节,请在量子位公众号(QbitAI)对话界面,回复“招聘”两个字。

    量子位 QbitAI · 头条号签约作者

    ?'?' ? 追踪AI技术和产品新动态

  • 阅读全文
    分享