開工上班，各地應(yīng)該如何做好疫情防護(hù)？人工智能技術(shù)正在為抗擊新冠肺炎疫情的工作提供必要的幫助。

2019 新冠肺炎疫情爆發(fā)，讓人們的出行發(fā)生了很大的變化——自 1 月 24 日武漢宣布封城之后，各省市陸續(xù)啟動(dòng)重大突發(fā)公共衛(wèi)生事件一級(jí)響應(yīng)以控制人口流動(dòng)。很多城市都已規(guī)定必須佩戴口罩、測量體溫才能搭乘公共交通。2 月 10 號(hào)返工日之前，上海、北京等重點(diǎn)城市也陸續(xù)放出新規(guī)：出入機(jī)場、軌道交通、長途汽車站、醫(yī)療衛(wèi)生機(jī)構(gòu)、商場超市等公共場所，未佩戴口罩者將被勸阻。

正確佩戴口罩出門是為了防止疫情擴(kuò)散，此舉得到了人們的廣泛支持。但也帶來了很多挑戰(zhàn)——高密度的人流讓基層排查人員面臨著人手不足，以及接觸疑似患者的風(fēng)險(xiǎn)，只有適應(yīng)新情況的人工智能技術(shù)才能減輕他們的工作壓力。

[[314886]]

2 月 13 日，百度飛槳宣布開源業(yè)界首個(gè)口罩人臉檢測及分類模型。基于此模型，可以在公共場景檢測大量的人臉同時(shí)，把佩戴口罩和未佩戴口罩的人臉標(biāo)注出來，快速識(shí)別各類場景中不重視、不注意防護(hù)病毒，甚至存在僥幸心理的人，減少公眾場合下的安全隱患。同時(shí)構(gòu)建更多的防疫公益應(yīng)用。

大災(zāi)面前，這家科技公司可謂用行動(dòng)回應(yīng)了民政部司長陳越良的呼吁：「一個(gè)有益的公益軟件比捐 10 個(gè)億還管用！」

業(yè)內(nèi)首度開源口罩人臉檢測及分類模型

口罩人臉檢測及分類模型，由兩個(gè)功能單元組成，可以分別完成口罩人臉的檢測和口罩人臉的分類。經(jīng)過測試，口罩人臉檢測部分在準(zhǔn)確度上達(dá)到了 98%，且口罩人臉分類部分準(zhǔn)確率同樣達(dá)到了 96.5%，性能上也是屬于業(yè)界領(lǐng)先水平。

同時(shí)，它做到了模型的極致輕量化，可在大部分端邊云設(shè)備上實(shí)現(xiàn)實(shí)時(shí)處理（海思 3559 芯片耗時(shí)僅需 17ms）。百度也將持續(xù)更新這一模型，不斷提升效果。

百度表示，如此高的準(zhǔn)確率是大量數(shù)據(jù)訓(xùn)練的結(jié)果，新模型采用了超過十萬張圖片的訓(xùn)練數(shù)據(jù)，確保樣本量足夠且有效。另一方面，人臉檢測模型基于百度自研的冠軍算法，整個(gè)研發(fā)過程都是基于百度開源的飛槳深度學(xué)習(xí)平臺(tái)，能夠進(jìn)行高效、便捷的模型開發(fā)、訓(xùn)練、部署。

我們可以先看看口罩人臉檢測及分類模型的效果，其中綠色邊界框?yàn)榇骺谡秩四槨⒓t色邊界框?yàn)椴淮骺谡秩四槨０俣葓F(tuán)隊(duì)還提供了在線演示頁面，我們可以自己上傳圖片，并測試模型的效果：

在線演示地址：https://www.paddlepaddle.org.cn/hub/scene/maskdetect

預(yù)訓(xùn)練模型，立即部署

如果我們自己有需求且有數(shù)據(jù)，那么使用深度學(xué)習(xí)框架從頭開始訓(xùn)練也是非常不錯(cuò)的選擇。但是毫無疑問成本較高，而與此同時(shí)，百度將自己訓(xùn)練出來的口罩人臉檢測及分類模型，通過預(yù)訓(xùn)練模型的方式開放，可以極大的幫忙開發(fā)者節(jié)省資源，提升效率。

百度飛槳通過預(yù)訓(xùn)練模型管理工具 PaddleHub，將口罩人臉檢測及分類預(yù)訓(xùn)練模型開源出來。只要開發(fā)者有基本的 Python 編程能力，即可快速搭建本地或者 serving 服務(wù)調(diào)用模型。如果具有一定的移動(dòng)端 APP 開發(fā)能力，也可以快速將模型部署到移動(dòng)端上。

預(yù)訓(xùn)練模型介紹：https://www.paddlepaddle.org.cn/hubdetail?name=pyramidbox_lite_server_mask&en_category=ObjectDetection

預(yù)訓(xùn)練模型示例代碼：https://aistudio.baidu.com/aistudio/projectDetail/267322

頂尖算法與數(shù)據(jù)

這一方案中，用于識(shí)別人臉的模型基于 2018 年百度在國際頂級(jí)計(jì)算機(jī)視覺會(huì)議 ECCV 2018 的論文 PyramidBox 而研發(fā)，基于自研的飛槳開源深度學(xué)習(xí)平臺(tái)進(jìn)行訓(xùn)練，并通過 paddle-slim 等模型小型化技術(shù)使得算法能夠高效運(yùn)行在一些算力有限的設(shè)備上。

算法代碼地址：https://github.com/PaddlePaddle/models/tree/develop/PaddleCV/face_detection

口罩人臉檢測及分類模型，可在公共場所高密度人流的環(huán)境中，對(duì)佩戴口罩和未佩戴口罩的人臉進(jìn)行快速識(shí)別標(biāo)注。基于此預(yù)訓(xùn)練模型，開發(fā)者僅需使用少量代碼，便可快速完成自有場景模型開發(fā)。 

該模型可廣泛適用于海關(guān)、火車站、園區(qū)小區(qū)入口等不同類型的區(qū)域，同時(shí)提供服務(wù)器和移動(dòng)端版本，便于開發(fā)商集成到不同類型硬件平臺(tái)上滿足不同場景要求。非常適合于重點(diǎn)區(qū)域的布控，以及未佩戴口罩人員的及時(shí)預(yù)警。

如果口罩人臉檢測及分類模型獲得廣泛應(yīng)用，對(duì)于檢測結(jié)果的統(tǒng)計(jì)數(shù)據(jù)還可以為更加深入的研究提供基礎(chǔ)。百度表示，檢測結(jié)果可以可以在疫情分析、智慧城市、智慧社區(qū)等場景發(fā)揮較大作用。

在這段時(shí)間里，很多科技公司陸續(xù)推出了有關(guān)體溫檢測、人臉識(shí)別等工作的 AI 算法。而百度提出的方法，是首個(gè)開源的口罩人臉檢測及分類模型。從飛槳深度學(xué)習(xí)技術(shù)平臺(tái)，到高效精確的人臉檢測及識(shí)別算法，再到硬件部署方案等，百度提出的方法可以與和其他工具實(shí)現(xiàn)完整、高效的整體協(xié)同。

實(shí)踐怎么用

整個(gè)預(yù)訓(xùn)練模型只要求安裝 PaddlePaddle 與 PaddleHub，只需要了解基礎(chǔ) Python 就能跑得動(dòng)。如下短視頻展示了我們測試戴口罩人臉檢測模型：

如上展示了最簡單的本地推斷，只要五行代碼，我們就可以在自己的計(jì)算機(jī)處理口罩人臉檢測。為了展示效果，我們設(shè)置了每張圖像停留 2 秒。實(shí)際在我們采用 CPU 的情況下，檢測基本是實(shí)時(shí)的，推斷速度非常快。以下為調(diào)用預(yù)訓(xùn)練模型的核心代碼，其中我們在當(dāng)前文件夾下放了一張測試圖像：

import paddlehub as hub 
 
# 加載模型，本例為服務(wù)器端模型pyramidbox_lite_server_mask 
 
# 移動(dòng)端模型參數(shù)可以換成pyramidbox_lite_mobile_mask 
 
module = hub.Module(name="pyramidbox_lite_server_mask") 
 
# 設(shè)置輸入數(shù)據(jù) 
 
input_dict = {"image": ["test.jpg"]} 
 
for data in module.face_detection(data=input_dict): 
 
    print(data) 

百度提供了口罩人臉檢測及分類的示例代碼，通過 Notebook 文件，我們能更形象地了解模型使用的完整過程：

地址：https://aistudio.baidu.com/aistudio/projectDetail/267322

更重要的是，作為一項(xiàng)完善的開源工作，除了本地推斷以外，其還需要考慮如何將模型部署到服務(wù)器或移動(dòng)設(shè)備中。若能快速部署到各平臺(tái)，那么才真正意味著它可以作為「戰(zhàn)疫」的基礎(chǔ)工具。

目前，百度提供了兩個(gè)預(yù)訓(xùn)練模型，即服務(wù)器端口罩人臉檢測及分類模型「pyramidbox_lite_server_mask」、以及移動(dòng)端口罩人臉檢測及分類模型「pyramidbox_lite_mobile_mask」，這兩者能滿足各種下游任務(wù)。

1. 一步部署服務(wù)器

借助 PaddleHub，服務(wù)器端的部署也非常簡單，直接用一條命令行在服務(wù)器啟動(dòng)口罩人臉檢測與分類模型就行了：

hub serving start -m pyramidbox_lite_server_mask -p 8866 

是的，在服務(wù)器端這就完全沒問題了。相比手動(dòng)配置各種參數(shù)或者調(diào)用各種框架，PaddleHub 部署服務(wù)器實(shí)在是太好用了。

只要在服務(wù)器端完成部署，剩下在客戶端調(diào)用就不會(huì)有多大問題了。如下百度展示了調(diào)用服務(wù)器做推斷的示例：制定要預(yù)測的圖像列表、發(fā)出推斷請求、返回并保存推斷結(jié)果。

# coding: utf8 
 
import requests 
 
import json 
 
import base64 
 
import os 
 
# 指定要檢測的圖片并生成列表[("image", img_1), ("image", img_2), ... ] 
 
file_list = ["test.jpg"] 
 
files = [("image", (open(item, "rb"))) for item in file_list] 
 
# 指定檢測方法為pyramidbox_lite_server_mask并發(fā)送post請求 
 
url = "http://127.0.0.1:8866/predict/image/pyramidbox_lite_server_mask" 
 
r = requests.post(url=url, files=files) 
 
results = eval(r.json()["results"]) 
 
# 保存檢測生成的圖片到output文件夾，打印模型輸出結(jié)果 
 
if not os.path.exists("output"): 
 
    os.mkdir("output") 
 
for item in results: 
 
    with open(os.path.join("output", item["path"]), "wb") as fp: 
 
        fp.write(base64.b64decode(item["base64"].split(',')[-1])) 
 
        item.pop("base64") 
 
print(json.dumps(results, indent=4, ensure_ascii=False)) 

相信只要有一些 Python 基礎(chǔ)，在本地預(yù)測、以及部署到服務(wù)器端都是沒問題的，飛槳的 PaddleHub 已經(jīng)幫我們做好了各種處理過程。

2. 部署到移動(dòng)端

Paddle Lite 是飛槳的端側(cè)推理引擎，專門面向移動(dòng)端的模型推理部署。如果我們需要把口罩人臉檢測及分類模型嵌入到手機(jī)等移動(dòng)設(shè)備，那么 Paddle Lite 這樣的端側(cè)推理引擎能幫我們節(jié)省很多工作。

在移動(dòng)端部署口罩人臉檢測及分類模型，也只需要三步：①下載預(yù)測庫，Paddle Lite 會(huì)提供編譯好的預(yù)測庫；②優(yōu)化模型，使用 model_optimize_tool 工具實(shí)現(xiàn)模型優(yōu)化；③通過預(yù)測 API 實(shí)現(xiàn)調(diào)用。

Paddle Lite 介紹：https://github.com/PaddlePaddle/Paddle-Lite/

其中比較重要的是移動(dòng)端 API 調(diào)用方法，具體實(shí)現(xiàn)請參考下文給出的 Paddle Lite 的示例地址。

// 讀取圖片 
 
cv::Mat img = imread(img_path, cv::IMREAD_COLOR);  
 
// 加載人臉檢測或者口罩佩戴判別模型 
 
MobileConfig config; 
 
config.set_model_dir(model_dir); 
 
PaddlePredictor* predictor = 
 
      CreatePaddlePredictor<MobileConfig>(config);  
 
// 設(shè)置輸入 
 
Tensor* input_tensor = predictor->GetInput(0); 
 
input_tensor->Resize({1, 3, img.rows，img.cols}); 
 
set_input(img, input_tensor); //調(diào)用自定義函數(shù) 
 
// 執(zhí)行 
 
predictor->Run();   
 
// 輸出結(jié)果 
 
Tensor* output_tensor = predictor->GetOutput(0); 
 
show_output(img, output_tensor); //調(diào)用自定義函數(shù) 

人臉識(shí)別和佩戴口罩判斷在移動(dòng)端部署的示例地址為：https://github.com/PaddlePaddle/Paddle-Lite/tree/develop/lite/demo/cxx

助力開發(fā)者，共同抗擊疫情

口罩人臉檢測及分類模型項(xiàng)目的研發(fā)人員向機(jī)器之心介紹道，百度在春節(jié)期間就已頻繁接觸到來自社區(qū)和合作伙伴反饋的技術(shù)需求，并快速啟動(dòng)了對(duì)接和應(yīng)用開發(fā)的行動(dòng)。對(duì)此，百度專門成立了針對(duì)新冠疫情的技術(shù)研發(fā)團(tuán)隊(duì)，經(jīng)過論證，開發(fā)者們一致認(rèn)為最終完成的產(chǎn)品應(yīng)通過開源的方式來賦能更多開發(fā)者。

百度很快組織了多部門組成的產(chǎn)研團(tuán)隊(duì)，在多個(gè)部門的配合下，工程師們快速進(jìn)入了方案實(shí)施落地的階段。

由于很多城市對(duì)于交通進(jìn)行了管制，在項(xiàng)目的開發(fā)過程中，大多數(shù)人都是以遠(yuǎn)程開發(fā)的形式參與的。百度研發(fā)人員表示，得益于百度內(nèi)部高效的協(xié)同辦公、開發(fā)系統(tǒng)，整體研發(fā)進(jìn)度可以保持快速迭代。

此前，僅有少數(shù)廠商能夠提供口罩人臉檢測模型的可落地方案，這些技術(shù)在密集人流下的識(shí)別效果不盡相同。而由于缺乏數(shù)據(jù)集和模型開發(fā)經(jīng)驗(yàn)，很多解決方案在面臨園區(qū)、關(guān)口等細(xì)分場景時(shí)顯得無從下手。

口罩人臉檢測及分類模型可以成為很多應(yīng)用的基礎(chǔ)，除了篩查公共場所佩戴情況之外，檢測口罩佩戴是否正確、監(jiān)測體溫的應(yīng)用都可以通過借助這項(xiàng)能力更快實(shí)現(xiàn)落地。此次百度除了開源模型以外，還提供了二次開發(fā)工具組件，我們可以開發(fā)更適合自己的模型。

在支持的硬件方面，該模型可以高效運(yùn)行在百度官方和經(jīng)過第三方認(rèn)證的硬件平臺(tái)上。此外，這一模型也支持目前市面上多類主流硬件平臺(tái)。

除了剛剛開源的算法，百度的 AI 技術(shù)已在對(duì)抗新冠疫情的很多領(lǐng)域發(fā)揮了作用。這家公司與政府部門積極合作，推出了北京官方新型肺炎醫(yī)生咨詢平臺(tái)，上線了「發(fā)熱門診地圖」，開通疫情辟謠頻道，并將智能外呼平臺(tái)開放給各地一線疫情防控機(jī)構(gòu)，為基層提供 AI 技術(shù)的支持。

春節(jié)期間，百度發(fā)布了完整的百度 AI 測溫系統(tǒng)，并迅速將其投入到新型冠狀病毒疫情的防控中。在北京清河火車站，百度 AI 測溫系統(tǒng)自 1 月底部署以來，截止 2 月 8 日已完成超過 3.2 萬人次的快速體溫檢測，累計(jì)發(fā)現(xiàn)了逾 190 人次的體溫疑似異常案例，并由工作人員進(jìn)行了人工復(fù)檢。