随着技术发展，AI算法已经逐渐渗透到各行各业。AI算法固然高效，然而在实际项目中，开发者往往面临众多复杂的应用场景。而业界开源的算法成百上千，硬件也越来越多种多样。如何在特定的场景，快速选出最合适的AI算法和与之匹配的、性价比最高的硬件，是产业开发者的一大痛点。

为了快速解决模型及硬件选型的难题，使开发者更快速地进行AI项目落地，飞桨团队推出了「场景模型选型工具」。它考虑用户真实的产业落地诉求，并集成了飞桨团队长期积累的产业实践经验。可以针对用户的真实场景需求推荐合适的模型、优化策略与硬件组合。针对典型场景，还推荐相关的产业实践范例。

⭐点击阅读原文⭐

获得产品体验地址

https://www.paddlepaddle.org.cn/smrt

大家也可以通过直接访问飞桨官网——模型库——产业模型选型工具进行访问使用。

细心的小伙伴不难发现，模型选型工具里还有一项非常直观的数据分析功能，用户只需要上传自己的标注文件（不需要原图），工具即可分析数据特点，提供模型选型及优化策略。当前模型选型工具支持Labelme、精灵标注、labelImg等主流标注软件导出的标注文件，同时支持voc数据格式、coco数据格式和seg（语义分割）数据格式。

这么好用的工具，如何能更高效地使用呢？我们通过一个实际的工业质检的案例，详细为大家说明。

在某钢材厂缺陷检测项目中，用户使用线阵相机对钢板上缺陷进行检测，通过编码器控制，每4000行产生一张4096*4000大小的图像。根据项目运行要求，需要精确地计算出缺陷的面积，同时需要在2080Ti显卡上200ms完成缺陷检测。

那么怎样具体通过模型选型工具来确定最终的模型呢？

步骤一：根据图片大小确定可能的裁剪方案

通常线阵相机得到的图片尺寸较大，但在实际应用当中，往往会裁剪成小尺寸进行训练和预测，而裁剪成多少张，每张图片的入网尺寸设置成多少，决定着最终模型是否能够在规定时间完成识别任务。

步骤二：通过模型选型工具进行查询

选择合适的模型

由于项目需要对缺陷的面积实现精准的识别，因此项目选择了图像分割系列模型。在规定的时间条件下，根据切分的图像数量换算出每张图片至多的预测时间，根据模型选型查询相应的模型在Input-size（图片裁剪后大小）相同条件下满足预测时间要求的组合，选择Target-size（实际入网尺寸）最大的一组值，最终筛选出合适的模型组合。

备注：该方案目前主要考虑图片切分后进行串联顺序预测。

步骤三：基于选择出的模型

进行模型优化

根据最终确定的模型的裁剪大小进行图片标注，根据模型选型工具中的数据分析功能，进一步分析数据的特点，针对其样本分布不均衡的特点，通过更新损失函数进行深层优化。

该项目是基于已知的推荐硬件前提下选择对应的模型，如果用户需要进行硬件选型，模型选型工具也支持根据用户输入的时间自动推荐符合的硬件设备。如下图案例所示，预留到模型推理的时间在50-100ms，用户输入相应的条件，即可获取该时段下不同硬件的推荐以及具体的模型运行时间。

目前飞桨团队根据用户落地部署的需求，提供基于1660Ti、1080 Ti、2080 Ti、3090等多款芯片在TensorRT FP32的测试数据，后续将支持更多云边端的部署硬件，以此来更好满足用户的落地需求。

惊喜福利

这么好用的「场景模型选型工具」，大家还在等什么呢？

• 欢迎大家点击阅读原文，体验使用：

     https://www.paddlepaddle.org.cn/smrt

• 欢迎大家加入用户交流群，入群即可获取智能制造、智慧城市课程的大礼包。

关注【飞桨PaddlePaddle】公众号

获取更多技术内容~