基于Caffe深度学习的图像识别

主要成果（二）：训练VGGNet模型
VGGNet：16~19层深的深度卷积神经网络
训练过程
loss
随着迭代次数变化损失函数 loss的变化 采用SSD网络，重点研究参数配置（Python 完成）
训练效果评估
损失函数loss的变化
L( z, c, l , g )
25
20
1 (Lconf ( z, c) Lloc ( z, l , g ))15 N
10
5
0 0 20 40 60 80 100 120 140 160
迭代次数
主要成果（三）：实现目标识别和位置计算
目标识别核心步骤：
1.采用Python代码运行Caffe网络实现目标检测
2.对检测结果分析并计算距离和位置
检测效果评估
指标
目标识别准确度 位置计算精度 单次检测时间
数值
70%以上 2cm（1.5米以内） 520ms
4X Tesla K80（3.7）
569.1
加速效果
指标 CPU
CPU-only
109.93 0 200 400 600 800 1000 1200 1400
每秒训练次数
两台设备目标检测性能比较
联想PC机 Intel酷睿i74500U Jetson TX1 ARM A57
运行内存
GPU GPU计算能力 检测单次目标平均时间 实时检测的最高帧率
题 目：基于GPU的智能图像识别 操作流程及效果
图像识别的 广泛应用
研究背景
ห้องสมุดไป่ตู้
深度学习的 发展
GPU通用计算 的普及
更准确、更高效、更快速 的图像识别算法
研究内容概述
深度学习框架 Caffe 基于GPU平台
模型训练
目标检测
位置计算
GPU加速
加速效果验证
样本图片
制作VOC数据集
训练VGGNet模型
主要工作流程
目标检测
GPU加速和验证
计算距离、位置
可视化输出
主要成果（一）：制作VOC数据集
VOC：一种专用于图像识别和分类的标准化的数据格式 制作VOC数据集步骤： 1.对原始照片统一规则命名、统一大小（shell脚本完成） 2.使用labeImg工具标记目标区域，生成XML标签 3.分割数据集，主要分训练文件和测试文件（Python完成）
4G
GeForce GT 730M 3.0 865ms 2.7
4G
NVIDIA MaxweⅡ 5.3 523ms 4.5
展望
增加样本数量和迭代次数，改进算法，实现更高的精度
研究多方面的GPU加速的方案，实现更快的计算速度
主要影响因素
训练样本数量和迭代次数 GPU 计算能力
主要成果（四）：GPU加速效果分析和验证
GPU有多个处理器
并行计算
图像批处理
并行计算
并行计算
加速
GPU型号（计算能力）
4X Tesla P100（6.0)
不同型号（计算能力）GPU在训练中的表现
1230.63
4X Tesla M40（5.2）
849.03