BML全功能AI开发平台初体验】两小时搞定目标检测全流程！

• 一、准备开始
• 二、创建并标注数据集
• 三、新建一个项目
• 四、导入数据集
• 五、配置网络
• 六、配置资源
• 七、模型部署
• 八、模型调用
• • 第一步：点击查看详情
  • 第二步：点击控制台，对接口进行赋权
  • 第三步：创建应用
  • 第四步：记录API Key和Secret Key
  • 第五步：使用代码调用API接口
  • 第六步：运行代码
• 九、温馨提示
• 十、总结

最近发现了一个全功能AI开发平台，叫做BML（Baidu Machine Learning），这是一个面向企业和个人开发者的机器学习集成开发环境，为经典机器学习和深度学习提供了从数据处理、模型训练、模型管理到模型推理的全生命周期管理服务。

BML全功能AI开发平台官网链接：https://ai.baidu.com/bml/

最近找到了一个目标检测数据集，同时也是了解到BML（Baidu Machine Learning）这个平台，就想用这个平台实验一下目标检测任务，于是就开始我们的入坑之旅。具体开发流程（全流程）如下：

一、准备开始

在BML平台上点击"立即使用"，即将进行我们的目标检测任务。

二、创建并标注数据集

数据在人工智能项目开发的过程中起着至关重要的作用，数据的好坏通常也决定着最终的模型效果。

本次使用螺丝螺母数据集，不会数据集流程的请点击这里：

【BML全功能AI开发平台初体验】目标检测数据集——智能标注

超详细的教程，智能标注省你百分之70的标注时间！

三、新建一个项目

首先打开BML管理页面，在这个界面中可以看到当前支持的深度学习任务类型，也可在左侧目录选择不同深度学习方向。

在左侧目录中找到“计算机视觉模型”，点击“物体检测”，写个名称加段描述就能新建一个项目了。

点击“新建”后，可以在下方找到刚刚创建的项目：

点击“新建任务”可管理本项目的“基本信息”、“配置任务类型”、“添加数据”、“配置网络”等。

四、导入数据集

将"第一步""创建的数据集导入：

这里我们直接选择数据集点击添加即可。

五、配置网络

在配置网络的过程中，可以选择使用预训练模型百度超大规模数据集-通用检测预训练模型，公开数据集-常规预训练模型。这里我们选择公开数据集-常规预训练模型进行训练，同时网络也分为很多种，这里就不再一一叙述，我们选择SSD进行训练模型：

平台提供了脚本编辑的工具，点击“立即编辑”进行脚本编辑：

一般可以在里面配置一些参数，开发者可以自己修改里面的超参数，这里我们把轮数改为10轮训练，试试效果。

六、配置资源

训练模型需要租用服务器或者用自己的服务器，BML平台直接提供了一个配置好的环境，不需要自己买服务器、自己配置环境了，可以说是非常地方便！

这里根据自己的需求选择即可。

点击“提交训练任务”就可以开始训练啦：

训练过程中可以查看自己的训练日志：


当感觉看log枯燥无味的时候，BML也为你提供了可视化展示：


为大家清晰的展示我们的训练过程~，真的是太棒了！

"训练结束"后还能出一份评估报告：

当你有事外出的时候，训练完成之后也可以给你发送短信，这里自己进行选择。

真的是爱了爱了！

七、模型部署

大家参考我写的另一篇文章，都是通用的换成你现在的模型就行，就不在细讲了，直接展示我部署完成的界面！
【BML全功能AI开发平台初体验】没有服务器也可以实现公有云部署！

至此，公有云部署就完成啦，完全不用自己的服务器，哈哈！

八、模型调用

第一步：点击查看详情

记录下你的调用接口地址，在下方代码部分需要修改API调用接口地址。

第二步：点击控制台，对接口进行赋权

第三步：创建应用

填写你的应用名称、应用归属、公司名称等信息。

创建完成之后会显示你创建的应用信息，也就是对接口进行赋权的应用。

第四步：记录API Key和Secret Key

记录好API Key和Secret Key，下方代码调用的时候需要进行输入授权。

第五步：使用代码调用API接口

物体检测API参考文档

在这里我们使用python3调用进行演示。

复制代码到自己本地开始进行调用：

"""
BML 物体检测 调用模型公有云API Python3实现
"""

import json
import base64
import requests
"""
使用 requests 库发送请求
使用 pip（或者 pip3）检查我的 python3 环境是否安装了该库，执行命令
  pip freeze | grep requests
若返回值为空，则安装该库
  pip install requests
"""


# 目标图片的 本地文件路径，支持jpg/png/bmp格式
IMAGE_FILEPATH = "【您的测试图片地址，例如：./example.jpg】"

# 可选的请求参数
# threshold: 默认值为建议阈值，请在 我的模型-模型效果-完整评估结果-详细评估 查看建议阈值
PARAMS = {"threshold": 0.3}

# 服务详情 中的 接口地址
MODEL_API_URL = "【您的API地址】"

# 调用 API 需要 ACCESS_TOKEN。若已有 ACCESS_TOKEN 则于下方填入该字符串
# 否则，留空 ACCESS_TOKEN，于下方填入 该模型部署的 API_KEY 以及 SECRET_KEY，会自动申请并显示新 ACCESS_TOKEN
ACCESS_TOKEN = "【您的ACESS_TOKEN】"
API_KEY = "【您的API_KEY】"
SECRET_KEY = "【您的SECRET_KEY】"


print("1. 读取目标图片 '{}'".format(IMAGE_FILEPATH))
with open(IMAGE_FILEPATH, 'rb') as f:
    base64_data = base64.b64encode(f.read())
    base64_str = base64_data.decode('UTF8')
print("将 BASE64 编码后图片的字符串填入 PARAMS 的 'image' 字段")
PARAMS["image"] = base64_str


if not ACCESS_TOKEN:
    print("2. ACCESS_TOKEN 为空，调用鉴权接口获取TOKEN")
    auth_url = "https://aip.baidubce.com/oauth/2.0/token?grant_type=client_credentials"               "&client_id={}&client_secret={}".format(API_KEY, SECRET_KEY)
    auth_resp = requests.get(auth_url)
    auth_resp_json = auth_resp.json()
    ACCESS_TOKEN = auth_resp_json["access_token"]
    print("新 ACCESS_TOKEN: {}".format(ACCESS_TOKEN))
else:
    print("2. 使用已有 ACCESS_TOKEN")


print("3. 向模型接口 'MODEL_API_URL' 发送请求")
request_url = "{}?access_token={}".format(MODEL_API_URL, ACCESS_TOKEN)
response = requests.post(url=request_url, json=PARAMS)
response_json = response.json()
response_str = json.dumps(response_json, indent=4, ensure_ascii=False)
print("结果:{}".format(response_str))

我们只需要修改五个地方即可完成调用

• IMAGE_FILEPATH：设置为自己本地的图片
• MODEL_API_URL：为API接口的地址
• ACCESS_TOKEN：留空即可（一定要把他的删除留空，或者是你自己计* 算出了ACCESS_TOKEN，写在这里也行）
• API_KEY：创建应用的时候产生了，复制过来即可
• SECRET_KEY：创建应用的时候产生了，复制过来即可

第六步：运行代码

数据集展示（网上随便找的一个图）：

修改完毕之后，运行代码，可以看下方图片，已经运行成功，识别出螺丝数据。

至此，模型的调用也就成功了，大家赶紧自己去试试把

九、温馨提示

模型不用的时候，赶紧停止，毕竟免费额度有限哈哈

十、总结

体验了BML全功能AI开发平台的物体检测全流程，从数据集标注-新建任务-模型选择-模型训练-模型部署-模型调用，总共用了不到两个小时就完成了，而且没有过多的打代码操作，只是修改了一下轮数，100轮感觉有点多，训练了10轮MAP已经达到了99.3，完全够用了，模型部署阶段也是相当的给力，点击两下就好了，模型调用的时候，实例代码已经给出，只需要简单的改改就行了，真的是太方便了，大家也赶紧去试试把！