开放能力
开发平台
行业应用
生态合作
开发与教学
资讯 社区 控制台
技术能力
语音技术
图像技术
文字识别
人脸与人体识别
视频技术
AR与VR
自然语言处理
知识图谱
数据智能
场景方案
部署方案
行业应用
智能教育
智能医疗
智能零售
智能工业
企业服务
智能政务
智能农业
信息服务
智能园区
智能硬件
EasyDL定制AI训练平台

    EasyDL图像介绍

    Hi,欢迎来到百度EasyDL图像

    目前EasyDL图像共支持训练3种不同应用场景的模型:

    • 图像分类

    识别一张图中是否是某类物体/状态/场景。可以识别图片中主体单一的场景

    • 物体检测

    在一张图包含多个物体的情况下,定制识别出每个物体的位置、数量、名称。可以识别图片中有多个主体的场景

    • 图像分割

    对比物体检测,支持用多边形标注训练数据,模型可像素级识别目标。适合图中有多个主体、需识别其位置或轮廓的场景

    可视化操作

    无需机器学习专业知识,模型创建-数据上传-模型训练-模型发布全流程可视化便捷操作,最快15分钟即可获得一个高精度模型

    操作步骤

    Step 1 创建模型

    确定模型名称,记录希望模型实现的功能

    Step 2 上传并标注数据

    分类功能的模型:只需按分类(如合格图片vs不合格图片)上传图片即可

    检测功能的模型:上传数据后,需要在数据中标注出需要检测的具体目标

    分割功能的模型:上传数据后,需要在数据中标注出需要识别物体的轮廓

    Step 3 训练模型并校验效果

    选择部署方式与算法,用上传的数据一键训练模型

    模型训练完成后,可在线校验模型效果

    Step 4 发布模型

    根据训练时选择的部署方式,将模型以云端API、设备端SDK等多种方式发布使用

    更详细的操作指导,请参考各类模型的技术文档

    高精度效果

    EasyDL图像底层结合百度 AutoDL/AutoML技术,针对用户数据能够自动获得最优模型和最优超参组合,进而基于少量数据就能获得出色性能和模型效果

    高精算法

    采用PaddlePaddle深度学习框架结合Auto Model Search,保证模型效果领先

    训练图像分类和物体检测模型时,均支持选择多种算法,满足不同场景对性能、效果的不同需求

    AutoDL

    训练图像分类模型时,支持选择AutoDL Transfer

    AutoDL Transfer模型是百度研发的AutoDL技术之一,结合了模型网络结构搜索、迁移学习技术、并针对用户数据进行自动优化。与通用算法相比,训练时间较长,但更适用于细分类场景。例如,通用算法可用于区分猫和狗,但如果要区分不同品种的猫,则AutoDL效果会更好

    丰富的部署方案

    训练完成后,可将模型部署在公有云服务器、私有服务器,封装成可离线运行的设备端SDK,或直接购买软硬一体方案,灵活适配各种使用场景及运行环境

    部署方式 支持的硬件 支持的系统 技术文档(含性能数据)
    公有云API 可集成公有云API即可 不限制 图像分类 物体检测 图像分割
    私有服务器部署
    [私有API]
    x86-64 CPU Linux 图像分类 物体检测 图像分割
    Nvidia GPU Linux 图像分类 物体检测 图像分割
    私有服务器部署
    [服务器端SDK]
    x86-64 CPU Linux 图像分类 物体检测 图像分割
    Nvidia GPU Linux/Windows 图像分类 物体检测 图像分割
    HUAWEI Atlas 300 Linux 图像分类 物体检测
    通用设备端SDK ARM (AArch64, ARMv7l) Linux 图像分类 物体检测 图像分割
    Hisilicon NNIE Linux 图像分类 物体检测
    HUAWEI Atlas 200 Linux 图像分类 物体检测
    ARM Android/iOS 图像分类 物体检测 图像分割
    Qualcomm Snapdragon GPU/DSP Android 图像分类 物体检测
    Hisilicon Kirin NPU Android 图像分类 物体检测
    Apple A-Bionic iOS 图像分类 物体检测
    x86-64 CPU Windows 图像分类 物体检测 图像分割
    Intel Movidius NCS (MyRIAD 2/MyRIAD X) Linux/Windows 图像分类 物体检测
    专项硬件适配SDK
    [软硬一体方案]
    Baidu-EdgeBoard(FZ) Linux 方案介绍及对比
    Baidu-EdgeBoard(VMX) Linux/Windows
    Nvidia-Jetson(Nano/TX2/Xavier) Linux

    公有云API

    已全面支持图像分类、物体检测、图像分割模型

    训练完成的模型存储在云端,可通过独立Rest API调用模型,实现AI能力与业务系统或硬件设备整合

    具有完善的鉴权、流控等安全机制,GPU集群稳定承载高并发请求

    支持查找云端模型识别错误的数据,纠正结果并将其加入模型迭代的训练集,不断优化模型效果

    私有服务器部署

    已支持图像分类、物体检测、图像分割模型

    将训练完成的模型部署在私有CPU/GPU服务器上,支持私有API和服务器端SDK两种集成方式,可在内网/无网环境下使用模型,确保数据隐私

    • 私有API:将模型以Docker形式在本地服务器(仅支持Linux)上部署为http服务,可调用与公有云API功能相同的接口。可纯离线完成部署,服务调用便捷
    • 服务器端SDK:将模型封装成适配本地服务器(支持Linux和Windows)的SDK,可集成在其他程序中运行。首次联网激活后即可纯离线运行,占用服务器资源更少,使用方法更灵活

    设备端SDK

    已支持图像分类、物体检测、图像分割模型

    训练完成的模型被打包成适配智能硬件(不含服务器)的SDK,可进行设备端离线计算。满足推理阶段数据敏感性要求、更快的响应速度要求

    支持iOS、Android、Linux、Windows四种操作系统,基础接口封装完善,满足灵活的应用侧二次开发

    提供基础版、加速版(已支持通用x86、通用ARM芯片)两种版本,可根据业务场景需求选择。了解加速版性能:图像分类 物体检测

    软硬一体方案

    已支持图像分类、物体检测模型,了解更多

    提供与模型深度适配的高性能硬件方案,多种算力、价位可选

    可应用于工业分拣、视频监控等多种设备端离线计算场景,让离线AI落地更轻松

    数据支持

    全方位支持训练数据的采集、标注、扩充,助力提升模型效果

    数据扩充

    在云服务调用数据管理中,可查找云端模型识别错误的数据,纠正结果并将其加入模型迭代的训练集

    可实现训练数据的持续丰富和模型效果的持续优化

    点击了解功能说明:图像分类物体检测

    智能标注

    针对物体检测模型,可通过智能标注降低标注成本

    启动后,只需标注数据集30%左右的数据即可训练出同等效果的模型

    多人标注

    训练物体检测模型前,可与其他用户共享数据集,实现多人分工标注数据后再集中训练模型

    采集/标注支持

    联合第三方数据标注合作伙伴,提供全面且高质量的训练数据采集、标注服务

    可在AI市场选择合适的数据服务商

    上一篇
    价格说明
    下一篇
    图像分类