AI 端侧落地+图像语义分割，百度 AI 快车道揭秘工业质检不再靠“人眼”的秘

HacPGMzo

0 X8 H( g8 o, K& o2 \! |) Y
AI时代下的人才缺口，已经让各企业感受强烈。人工智能的行业落地，需要多层次的人才结构。来自顶尖企业中的芯片、算法人才；拥揽世界大赛、论文的顶尖实验室是一种；更多的AI解决方案研发，工业级的落地应用等人才，往往是最大缺口。
  r# b8 c% ]0 B% |+ X0 a0 F! b
# O4 f, m9 |2 `# t; d: u  l( S百度AI快车道——企业深度学习实战营，由百度AIG飞桨团队研发，针对AI时代的人才缺口，依托自身深厚的深度学习技术产业实践经验，不断为广大相关领域企业的技术从业人员进行实战教学与案例分享，目前已在全国多地举办了多次课程，为企业培养AI领域拥有可实际操作解决业务问题的人才持续努力着。
百度AI快车道将于12月7日、12月8日再入上海，接连带来两场重磅活动。先后举办包含图像语义分割套件PaddleSeg、预训练模型管理和迁移学习工具PaddleHub的“图像语义分割Pro”专场，以及端侧推理引擎“Paddle Lite“专场，满满干货等你来，欲报从速！

" p8 G7 E" o+ `! e1 _; S

12月7日上海——图像语义分割Pro专场
$ ^! m8 }$ k) F. {

. u, N1 o5 V1 e( q3 t1 M
PaddleSeg+PaddleHub专场中，将由百度名师带来经典的PaddleSeg图像分割技术介绍、在人像处理与工业质检场景中的实战，以及百度飞桨的预训练模型管理和迁移学习工具PaddleHub结合案例的详细介绍，全新升级的PaddleHub可支持最新发布的产业级预训练模型“Master模式”。
6 f7 U/ ]. i+ s4 B+ \' M报名链接：https://iwenjuan.baidu.com/?code=9pyp4c
1 d+ b, S5 b4 i; H/ n关于PaddleSeg与PaddleHub：
' l* R1 A5 R5 G8 ?. _& K在计算机视觉领域，图像分割有非常广泛应用的场景。基于这样背景，飞桨开发了图像分割开发套件PaddleSeg，目标是降低开发门槛，更容易实现产业落地。图像分割开发套件基于飞桨的核心框架，主要做了以下方向的建设：一是数据增强，将工业级常用分割算法开放出来；二是在模型层使用模块化的设计，将整个分割的模型拆分成三块，包括骨干网络、分割网络和模型损失函数。拆解之后，可以让这些模块自由组合，能够解决特定场景的问题。三是在训练场景上，PaddleSeg里面做了大量性能方面的优化，在显存优化和预测速度上都做了大量的工作。四是易用性方面，通过实际的项目打磨验证，找到使用过程当中的痛点并且解决掉。训练模型工业级部署，开发套件也做了集成，可以帮助广泛开发者使用。
PaddleHub集成了预训练模型和迁移学习的工具，在最新的升级中增加了两个核心能力：一是自动化调参，基于一键自动超参搜索；二是进一步夯实了一键模型化服务的能力，开发者可以很容易把自己想要用的模型快速变成服务。为了提升易用性，PaddleHub的API采用了高层封装，包含迁移任务、迁移策略和数据处理等，方便开发者使用，在解决了开发效率的问题的同时，保持了灵活性。 

  x6 `1 ~! X9 J! m( h& J+ V! ~


4 u9 u/ h( C- o$ R12月8日上海——Paddle Lite专场


Paddle Lite专场由百度深度学习技术平台部技术经理、百度深度学习技术平台部资深研发工程师主讲，详细解读Paddle Lite的技术特点、使用方法和相关应用，同时也会通过实践，实现目标检测在手机上的部署，完整体验Paddle Lite在实际业务中的应用。
报名链接：https://iwenjuan.baidu.com/?code=t6729t
关于Paddle Lite：
& E: c; [& ?( \Paddle Lite是飞桨产品栈中用于端侧高性能轻量化AI应用部署的推理引擎，核心用途是将训练出的模型在不同硬件平台场景下快速部署，根据输入数据，执行预测推理得到计算结果，支持实际的业务应用。
6 H  |/ o; n  {8 o: h" `9 N今年8月，飞桨对外发布Paddle Lite Beta版，经过两个多月的迭代与发展，“WaveSummit+”2019深度学习开发者峰会上Paddle Lite2.0正式发布，Paddle Lite自Beta版发布以来，在如下核心功能上进行升级：
% F9 n1 N: y% e

# D7 S8 ?7 D* x4 j2 d' t" y! p
• 多框架支持：原生支持飞桨的模型，同时通过X2Paddle工具，提供对TensorFlow，PyTorch和ONNX模型格式的更充分的支持；
  ' F' L( Q% q+ f7 _' r
• 多硬件支持：除了ARM CPU、移动端GPU、华为NPU，新增支持Nvidia GPU和X86 CPU；
    o8 U  `( z7 T) |: I& S0 O) o
• 更好的性能：更新benchmark，提升了在ARM CPU上尤其是int8的性能；
  2 V. x+ _2 j& U
• 更加完备的功能：支持python API，优化编译流程，新增预测库极致裁剪等功能；
  + {, I: {3 D. a
• 更加完善的文档和demo：提供完善的文档和多平台的demo，包括安卓、iOS和树莓派等。
  

戳“阅读原文”，立即报名参会！
来源：http://mp.weixin.qq.com/s?src=11&timestamp=1575378005&ver=2012&signature=Ih7RdpBXmyvZ8p*aHIllrUH4wKx85DxQwrptJvgsJ3J5TpQUCWGAAR35epMAfMnF8RfnQ0C67tJo4JyujJh0o5IASQtt3EIwyFnJXIV4FidCIceCiPIqmvLDihim8G1M&new=1
  T0 d9 f7 c; V9 E% ?, d6 o' {5 k免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！