2024打造一流的視覺 AI 技術(shù)

打造一流的視覺AI技術(shù)本次分享主要分以下幾個部分：首先簡要介紹一下計算機視覺技術(shù)的相關(guān)背景，然后結(jié)合格靈深瞳的實踐，從算法研發(fā)、訓練平臺、智能數(shù)據(jù)處理、異構(gòu)計算等幾個方面著重介紹如何打造一流的視覺AI技術(shù)，最后介紹格靈深瞳在相關(guān)技術(shù)落地方面的情況。計算機視覺及其相關(guān)技術(shù)計算機視覺概述計算機視覺作為人工智能領(lǐng)域最重要的技術(shù)方向之一，其基礎(chǔ)是機器學習算法，而深度學習算法無疑是當前最受歡迎的機器學習算法。隨著計算機算力的不斷增強，海量數(shù)據(jù)的增長，深度學習算法的提出使得用更大量數(shù)據(jù)訓練更深的網(wǎng)絡成為可能，在限定的場景下，一些圖像識別算法的準確率已經(jīng)超越了人類。從應用角度，我們正處于計算機視覺應用爆炸性增長的智能時代，包括移動互聯(lián)網(wǎng)、自動駕駛、智慧城市、智慧醫(yī)療、機器人、增強現(xiàn)實、智慧工業(yè)等在內(nèi)的多個方向，都取得了非常多的進步。從另外一個視角看，計算機視覺是對物理世界的數(shù)字化，是智慧物聯(lián)網(wǎng)時代最大入口，和大數(shù)據(jù)技術(shù)結(jié)合擁有非常廣闊的應用場景。計算機視覺技術(shù)愿景計算機視覺技術(shù)從廣義上講是讓計算機看懂世界，狹義上講就是通過豐富的視覺傳感器，理解物理世界中每個物體的位置、屬性、身份以及行為等信息。計算機視覺技術(shù)從算法方面期待：功能更加豐富：感知方面從位置檢測、屬性識別、身份識別，逐步向行為識別和關(guān)系識別（不同物體間的關(guān)系）發(fā)展；目標類別更全：分析目標從人臉、人體、車輛，拓展到商品，再拓展到其它物體；理解粒度更細：從理解圖像中包含什么物體的分類任務，到理解物體在圖中的具體位置和數(shù)目的檢測任務，進一步到理解物體的部件以及關(guān)鍵點位置的關(guān)鍵點定位技術(shù)，更進一步到理解每個像素所屬類別的語義分割任務。計算機視覺技術(shù)從產(chǎn)品性能角度則期待：精度更高、速度更快、成本更低、支持規(guī)模更大、功能更豐富。如何打造一流的視覺AI技術(shù)構(gòu)建計算機視覺系統(tǒng)的基本流程對于一個視覺應用系統(tǒng)而言，需要先將應用系統(tǒng)劃分為不同的子模塊，比如人臉識別系統(tǒng)，就包括人臉檢測、特征點定位、人臉識別等不同子模塊。對于每一個子模塊，都由輸入輸出定義、數(shù)據(jù)收集、數(shù)據(jù)標注，訓練框架選擇，算法實現(xiàn)，模型訓練，模型選擇，模型上線等不同步驟組成。構(gòu)建計算機視覺計算系統(tǒng)主要包含下面幾個關(guān)鍵因素：核心算法研發(fā)：即如何開發(fā)出更準確、更快、更多功能的算法；自動化大規(guī)模訓練框架：即如何支持更大規(guī)模集群，更加自動化地訓練算法；智能數(shù)據(jù)挖掘和標注：即如何做到高效的數(shù)據(jù)挖掘和低成本的標注；基于硬件平臺的計算優(yōu)化：即如何選擇硬件平臺，以及在硬件平臺上做性能優(yōu)化。算法研發(fā)是一個不斷迭代、精心打磨的過程，工業(yè)界和學術(shù)界最大的區(qū)別是學術(shù)界希望創(chuàng)造更多的算法，追求更多的是新穎性和創(chuàng)造性，而工業(yè)界追求的是系統(tǒng)的功能、性能、穩(wěn)定性指標，并不要求發(fā)明最新穎的算法，而是要依據(jù)業(yè)務需求和資源限制做出最好用的系統(tǒng)。在工業(yè)界進行算法改進，包括很多維度，如數(shù)據(jù)如何處理、數(shù)據(jù)規(guī)模和來源，參數(shù)設(shè)置、模型結(jié)構(gòu)，還包括損失函數(shù)設(shè)計，模型加速算法等，每一個因素都可能對最終結(jié)果影響很大。還有非常重要的一點是，需要從系統(tǒng)角度去解決問題，比如設(shè)計新的系統(tǒng)處理流程，比如把問題定義為檢測問題還是識別問題。人臉識別損失函數(shù)演進以人臉識別算法為例，由于我們無法訓練一個能分類世界上所有人的分類模型，所以人臉識別最終是希望訓練一個將人臉圖像轉(zhuǎn)換為表示能力非常強的特征模型，這里面非常核心的是損失函數(shù)的設(shè)計。最早的人臉識別算法是采用了softmax損失函數(shù)，但softmax損失函數(shù)的缺陷是當類別數(shù)非常大時參數(shù)規(guī)模非常大，并且，要求每個人的樣本數(shù)比較均衡，且不能太少，很多時候無法滿足。后來出現(xiàn)了pair-wise形式的損失函數(shù)，這個損失函數(shù)將分類轉(zhuǎn)換為兩類問題，即同一個人以及不同人兩類，希望同一個人兩張圖片之間的距離盡可能小，而不同人兩張圖片之間的距離盡可能大，從而不會有類別太多的參數(shù)規(guī)模問題，且不對樣本數(shù)目有太多要求。后來還出現(xiàn)了Triplet損失函數(shù)形式，要求同一個人圖片之間的距離小于不同人圖片之間的距離。但是pair-wise和triplet損失函數(shù)的缺陷是容易受數(shù)據(jù)噪聲影響，比較難訓練，收斂也比較慢。后來大家又發(fā)現(xiàn)，將softmax形式做改進可以取得很好的效果，包括對特征的歸一化、權(quán)重矩陣的歸一化以及加margin等。所以，我們看到僅僅是人臉識別損失函數(shù)這樣一個技術(shù)點，就包含了非常多的選擇和迭代。在工業(yè)界，想真正做好一個算法模型，就都需要跟蹤很多工作，同時由于論文里的很多結(jié)論在大規(guī)模實際數(shù)據(jù)情況下，和論文中的結(jié)果可能會不同，所以需要結(jié)合實際數(shù)據(jù)和場景進行一一驗證。這要求我們在工業(yè)界真正想做一流的算法，不僅僅要求我們可以正確理解論文中的算法思路，還要求能夠在工業(yè)界的數(shù)據(jù)規(guī)模下正確實現(xiàn)，并設(shè)置正確的參數(shù)和訓練技巧，同時還需要結(jié)合實際情況去改進。對于人臉識別系統(tǒng)而言，損失函數(shù)是影響人臉模型表示的一個因素。除此之外還包括訓練數(shù)據(jù)的數(shù)據(jù)量、純度和數(shù)據(jù)分布，數(shù)據(jù)增強的方式，比如收集的數(shù)據(jù)往往數(shù)據(jù)質(zhì)量比較高，為了使得模型在低分辨率數(shù)據(jù)上有好的效果，需要在訓練過程加入相應的擾動。除此之外，人臉識別的前序模塊，比如人臉檢測和特征點定位的精度也會影響識別效果。還有包括如何利用模型蒸餾等方法進行速度提升，如何利用人臉的多個部件融合進行效果提升，在視頻中，如何通過人臉質(zhì)量屬性選擇最優(yōu)的人臉進行識別，如何融合多幀圖像進行處理等。對于一個人臉識別系統(tǒng)而言，上述的每一個因素都會影響最終的系統(tǒng)效率和用戶體驗，每一點都需要精細打磨。每一個智能系統(tǒng)都是由多個智能算法模型組成的，以我們針對智慧城市、智慧商業(yè)領(lǐng)域研發(fā)的智能視頻理解系統(tǒng)而言，包括幾百個模型。這個系統(tǒng)里面，從大的方面講，包括物體檢測、人臉識別、人體智能分析、車輛智能分析等幾個大模塊，具體到比如智能車輛分析這個子方向而言，則包括車牌識別、車型車款識別、車輛以圖搜圖（ReID）、車身顏色識別、標志物識別、未系安全帶、開車打電話等很多子模型。對于如此多的算法模型，如果每個模型都需要不斷迭代，同時要支持不同硬件平臺的不同版本，在研發(fā)人員和訓練硬件資源受限條件下，如何持續(xù)打磨核心算法是一個很大的挑戰(zhàn)。傳統(tǒng)的算法開發(fā)模式，算法工程師往往提起數(shù)據(jù)標注任務，由數(shù)據(jù)標注員標注完成數(shù)據(jù)標注，但算法工程師需要關(guān)心如何開發(fā)標注工具、如何培訓標注人員、如何轉(zhuǎn)換數(shù)據(jù)格式、如何提純標注完的數(shù)據(jù)，最后再手工方式在一臺物理機上將模型訓練出來。這種模式下，算法工程師有60%的時間都在處理和數(shù)據(jù)相關(guān)的工作，比如搜集數(shù)據(jù)、指導開發(fā)標注工具、清洗標注數(shù)據(jù)或者發(fā)起二次標注；還有20%的時間是在調(diào)參數(shù)，看訓練日志，包括處理磁盤空間不足、GPU被別人占用等意外；其實只有大約15%左右的時間在實現(xiàn)算法，僅有5%的時間在思考算法。同時，這個模式的缺點是數(shù)據(jù)標注成本很高，算法工程師的時間利用率很低，同時由于沒有統(tǒng)一協(xié)調(diào)，GPU或者空閑或者被大家搶占，GPU的利用率也很低。更好的一種模式是為算法研發(fā)團隊配備一個數(shù)據(jù)平臺開發(fā)團隊，專門負責算法團隊所需要的數(shù)據(jù)以及訓練平臺。也就是說，算法團隊僅僅需要提出數(shù)據(jù)的需求和要求，其它都由數(shù)據(jù)平臺團隊去完成。數(shù)據(jù)平臺團隊負責數(shù)據(jù)的收集、標注前處理、標注工具開發(fā)、標注后處理、訓練和測試數(shù)據(jù)管理等工作，其目標是為算法團隊用最高效低成本的方式提供高質(zhì)量的訓練數(shù)據(jù)。同時，為了提升訓練效率，數(shù)據(jù)平臺團隊還需要負責打造統(tǒng)一的訓練平臺。這種模式下，算法工程師的工作20%花在溝通確定數(shù)據(jù)處理流程，同時由于有統(tǒng)一的訓練平臺，算法工程師只需要花費大約10%的時間在訓練調(diào)參上。那么自然就會花費更多的時間在實現(xiàn)算法和思考算法上。這種模式下，不僅僅算法工程師的效率得到提升，而且數(shù)據(jù)標注成本在降低，數(shù)據(jù)增長速度在提升，GPU利用率也在提高。還有一點非常重要的是，智能數(shù)據(jù)處理平臺在正常運行下，只需要標注人員進行標注，數(shù)據(jù)量就會不斷增長，不依賴算法以及開發(fā)人員的投入，這是未來任何一個智能學習系統(tǒng)需要具備的特性。構(gòu)建自動化訓練管理平臺的目的是為了提升人員產(chǎn)出效率，節(jié)省人力，提高訓練資源的利用率。一方面對訓練數(shù)據(jù)進行統(tǒng)一管理，每臺機器都能訪問，避免在機器間拷貝；第二，對訓練代碼和參數(shù)進行管理，實現(xiàn)代碼、參數(shù)、環(huán)境自由在多臺機器間拷貝，省去環(huán)境搭建的時間；第三，對計算資源和任務進行管理，省去工程師關(guān)注資源空閑的時間，同時，可以在沒有空閑資源時任務排隊，省去關(guān)注時間，同時提升資源利用效率。此外，為了避免算法人員看日志的時間花費，增加模型評估和選擇，自動評估和選擇模型。對算法人員而言，可以在網(wǎng)頁新建任務，選擇訓練數(shù)據(jù)，確定代碼和參數(shù)，就可以開始訓練，同時可以設(shè)置幾套參數(shù)進行訓練，最終等待訓練產(chǎn)出的最優(yōu)模型即可?，F(xiàn)在已經(jīng)有很多優(yōu)秀的深度學習開源框架，比如tensorflow、mxnet、pytorch等。有一些創(chuàng)業(yè)公司，自己自行開發(fā)了一套自己的開源框架，但我個人認為其實沒有太大的必要。一方面，私有的框架，很難保證比開源框架更加先進，開源框架吸收了世界上最先進的思想，有很多優(yōu)秀的人會產(chǎn)生貢獻，創(chuàng)業(yè)公司很難有這樣的實力做得更好。此外，自己開發(fā)的框架，對于新入職員工而言有使用門檻，此外，由于很多好的算法都是在開源軟件基礎(chǔ)上做的，使用自己的框架也不利于進行技術(shù)交流。但是，是不是直接利用開源軟件就夠了呢？我想答案也是否定的。現(xiàn)在的開源框架，在大規(guī)模數(shù)據(jù)訓練方面做得還不是很好，總是會有一些特別的任務是開源軟件無法支持的。所以，基于現(xiàn)有開源軟件，根據(jù)自己的任務做框架改進是一個對大多數(shù)公司而言都更加合理的選擇。比如對于人臉識別任務而言，最終是一個上億類別的分類問題，如果直接采用現(xiàn)有框架，是無法完成這個任務的。采用softmax作為損失函數(shù)，在特征維度僅僅是128維時，最后一個權(quán)重矩陣的數(shù)據(jù)規(guī)模是幾十G，遠遠超過了現(xiàn)在顯卡的顯存。我們必須實現(xiàn)一種新的框架來完成數(shù)億類別的訓練任務。我們采用了一種“數(shù)據(jù)并行+模型并行”的方法，先將數(shù)據(jù)分配到不同的GPU上，先進行前向預測計算得到經(jīng)過卷積網(wǎng)絡之后的特征，然后將不同卡上的特征進行匯聚。但權(quán)重矩陣在一臺機器上是無法保存下的，因此，需要把權(quán)重矩陣分配到不同的機器上進行運算這個時候就用到模型并行思路。我們知道，在并行計算中，計算是比較容易通過并行解決的，但是，通信量往往會成為瓶頸。我們設(shè)計的這個數(shù)據(jù)并行加模型并行的方式，只需要把所有樣本的特征在多機間做同步，數(shù)據(jù)量很少，所以可以得到很高的加速比。我們大家都知道數(shù)據(jù)很重要，但如何低成本、高效地獲取大量高質(zhì)量數(shù)據(jù)其實是一件不那么容易的事情。最簡單處理數(shù)據(jù)的方法就是收集數(shù)據(jù)直接人工標注，但直接標注的缺陷是效率很低，比如直接標注百萬級別人臉數(shù)據(jù)，需要花費近百萬費用，如果標注數(shù)億數(shù)據(jù)，費用顯然是無法承受的。一種常見思路是選擇標注工作量小的有先驗約束的數(shù)據(jù)源，如相冊數(shù)據(jù)，每個人的相冊基本上都是來自于家人或者朋友的數(shù)據(jù)，這樣的數(shù)據(jù)，直接標注也不合理，比如隱私問題，比如人的標注準確率問題。我們實現(xiàn)了一套人臉自動數(shù)據(jù)標注系統(tǒng)，包括如何從圖片中檢測、定位人臉，包括人臉區(qū)域割取、特征提取，包括人臉質(zhì)量獲取，以及基于人臉質(zhì)量做過濾，包括做子集中的聚類，以及類間去重，以及訓練人臉模型，同時，人臉模型還可以反饋重新進行人臉特征提取和聚類，不斷迭代。當然，實際系統(tǒng)要更加復雜，有非常多的參數(shù)和細節(jié)邏輯，但是，這樣的一套系統(tǒng)，使得人臉識別數(shù)據(jù)標注成為一個自動化的過程，基本上不需要人工再參與，節(jié)省了大量的標注人力。類似的案例還有很多，比如可以依據(jù)車牌號碼進行車輛相關(guān)數(shù)據(jù)收集，可以只標注一輛車的屬性就可以得到同一個車牌的多輛車的結(jié)果?？傊?，實踐表明，在數(shù)據(jù)上花費的所有努力都是值得的，這已經(jīng)成為技術(shù)驅(qū)動的創(chuàng)新型公司的核心競爭力之一。數(shù)據(jù)平臺團隊，除了準備數(shù)據(jù)和開發(fā)訓練平臺外，還可以參與算法的訓練和改進工作。很多算法，經(jīng)過算法工程師的迭代之后，在算法方面已經(jīng)相對確定，更多的是調(diào)參和數(shù)據(jù)相關(guān)工作。這一塊是可以由數(shù)據(jù)平臺工程師通過數(shù)據(jù)驅(qū)動的方式來改進的。比如，我們在一些任務中，就在算法工程師基本不需要參與的情況下，數(shù)據(jù)平臺工程師通過高效挖掘困難數(shù)據(jù)并標注的方式可以使算法持續(xù)改善。上述的智能數(shù)據(jù)處理和自動化訓練平臺系統(tǒng)，結(jié)合起來，在我們的內(nèi)部被稱為深瞳大腦項目。深瞳大腦的終極目標是希望將人工智能中人工的部門減少到最少，打造一套動態(tài)更新的“數(shù)據(jù)采集->標注->算法研發(fā)->模型訓練->產(chǎn)品落地->數(shù)據(jù)產(chǎn)生”的閉環(huán)系統(tǒng)，最終僅僅在數(shù)據(jù)標注環(huán)節(jié)依賴人工，成為一套真正的基于自主學習的智能系統(tǒng)。除了算法效果、算法功能外，還需要考慮預測速度以及承載硬件的成本。最底層是芯片等硬件平臺的選擇，之上是預測框架，再之上是sdk封裝以及處理流程和分布式架構(gòu)，再上層則是各種視覺應用。這其中涉及很多工作，如硬件的選擇，GPU、Arm、FPGA、DSP還有專門為深度學習設(shè)計的ASIC芯片。硬件平臺對整個計算機視覺識別系統(tǒng)非常重要，為了做一個正確的平臺選擇，需要考慮主芯片的計算能力、成本，接口支持豐富程度，以及編解碼、ISP，軟件兼容性以及平臺易用程度等。選定硬件平臺之后，首先應該從算法角度考慮如何減少計算量。比較簡單的是基于經(jīng)典網(wǎng)絡去改變總的層數(shù)以及每層特征通道數(shù)目。進一步，可以結(jié)合各種經(jīng)典網(wǎng)絡去設(shè)計自己的網(wǎng)絡，比如在嵌入式平臺上，可以參考Depth-Wise結(jié)構(gòu)、ShuffleNet結(jié)構(gòu)中的核心思路設(shè)計自己的新網(wǎng)絡。還可以基于強化學習模型搜索更優(yōu)的網(wǎng)絡。此外，還有一個非常重要的思路，就是如何通過模型蒸餾的方法去使得一個小網(wǎng)絡訓練得到接近大網(wǎng)絡的效果。除了算法層面外，還可以從異構(gòu)計算層面利用各個平臺特性進行優(yōu)化，比如英偉達GPU平臺可以優(yōu)先考慮TensorRT以及CUDA指令進行優(yōu)化。格靈深瞳成立于2013年，公司的愿景是讓計算機理解世界，讓AI使生活更美好。我們專注于研發(fā)包括計算機視覺在內(nèi)的人工智能核心算法，并把先進的人工智能科技轉(zhuǎn)化為具備低成本、大規(guī)模部署能力的產(chǎn)品和服務，并深度結(jié)合應用場景，為用戶提供高性能、可靠實用的智慧解決方案。在核心算法層面，我們在人臉識別、人體再識別、車輛智能分析等方向都處于行業(yè)領(lǐng)先水平。以人臉識別為例，在十億次誤識一次的情況下，識別率可以達到90%；在車輛的主品牌、子品牌和年款識別上，總類別數(shù)可以達到20000種；在行人再識別上，我們的線上模型在沒有針對測試數(shù)據(jù)訓練的情況下，在Market1501上面首選識別率達到98.1%，超過目前所有的公開結(jié)果。在核心引擎層面，我們打造了一套全目標視頻結(jié)構(gòu)化引擎，支持人臉識別、人體識別、車輛識別以及非機動車識別，支持視頻、圖像、歷史流、歷史視頻文件等多種模式，而且性能指標非常高，普通模式下單機可以做到320路，高速模式下單機可以做到1000路。以數(shù)據(jù)、算法、訓練平臺為核心，我們構(gòu)建了深瞳大腦架構(gòu)，基于深瞳大腦，我們可以不斷地產(chǎn)出業(yè)界領(lǐng)先的各種算法，比如全目標抓拍算法、全目標屬性識別算法、人臉識別聚類算法、物體以圖搜圖算法、行為識別算法、即時