ELE AI算法大赛“赛道二：智慧骑士—消防隐患识别” Baseline
仅用于站内搜索，没有排版格式，具体信息请跳转上方微信公众号内链接
赛题名称：ELEAI算法大赛“赛道二：智慧骑士—消防隐患识别”
赛题类型：计算机视觉
赛题任务：图像分类
https ://tianchi.aliyun.com/s/25a148493f461f0eaa9be8984ea1f6ed
蓝骑士在履约配送的过程中，会经过大街小巷以及楼梯拐角，是很好的发现隐患的眼睛。但在隐患上报的链路中，存在几个卡点：一是蓝骑士上传信息的真实性及准确性，二是上报行为能不能得到最快的奖励反馈。借助AI的实施识别功能，可以有效解决以上两个卡点，一方面可以将更真实有效的隐患信息传达给监管部门，另一方面也能对蓝骑士进行即时奖励，鼓励其上报隐患的积极行为。
在图像分类任务中，尤其是针对消防隐患识别这样的具体应用场景，除了基本的图像分类方法外，还有多种进阶方法可以帮助提升模型的性能和准确性。
高风险：楼道中出现电动车、电瓶、飞线充电等可能起火的元素。
中风险：楼道中存在大量堆积物严重影响通行或堆放大量纸箱、木质家具等能造成火势蔓延的堵塞物。
低风险：存在楼道堆物现象但不严重。
无风险：楼道干净，无堆放物品。
非楼道：一些与楼道无关的图片。
赛题训练集包含几千张图片，这些图片涵盖了各种场景，包括楼道和非楼道场景。数据集的特点如下：
多样性：图片内容丰富，包含楼道、街道、室内其他区域等。
复杂性：楼道场景中可能存在各种消防隐患，如堆积物、电动车、飞线充电等。
标注信息：每张图片都有标注信息，说明其场景类别（楼道/非楼道）以及隐患等级（无隐患、低风险、中等风险、高风险）。
分数区间：2.3分左右（具体分数可能因随机性略有波动）。
任务目标：对拍摄的照片内容进行识别，实时判断照片内场景是否存在消防安全隐患以及隐患的危险程度。
输入：蓝骑士拍摄的照片，内容包括楼道、街道、室内等场景。
输出：隐患等级（高风险、中风险、低风险、无风险、非楼道）。
数据预处理：加载数据集，过滤无效图片，对图片进行归一化和数据增强。
模型构建：加载预训练的ResNet18模型，修改最后的全连接层以适应5个分类类别。
模型训练：使用训练集进行模型训练，使用验证集进行模型验证，记录最佳模型。
模型评估：计算模型在验证集上的准确率，评估模型性能。
图像数据通常是高维度的（例如，一张256×256像素的RGB图像有196,608个特征值）。这些特征之间存在复杂的非线性关系，传统的机器学习方法（如支持向量机、决策树等）很难有效地捕捉这些关系。
深度学习模型，尤其是CNN，通过多层神经网络结构，能够自动学习图像中的层次化特征表示。从低层次的边缘和纹理，到高层次的物体形状和场景结构，CNN可以逐步提取出对分类任务有用的特征。
赛题中的数据集包含多种场景（如楼道、街道、室内等），并且每个场景中可能存在多种消防隐患（如堆积物、电动车、飞线充电等）。这种多样性和复杂性要求模型能够泛化到不同的场景和情况。
深度学习模型通过大量的训练数据学习通用的特征表示，能够更好地适应数据集的多样性。通过数据增强技术（如旋转、翻转、裁剪等），还可以进一步提高模型的泛化能力。
在实际应用中，尤其是特定领域的任务（如消防隐患检测），很难收集到足够多的标注数据。深度学习模型通常需要大量的数据来学习有效的特征表示，数据量不足会导致模型过拟合，泛化能力差。
迁移学习通过在大规模通用数据集（如ImageNet）上预训练模型，学习到通用的图像特征表示。然后，将这些预训练模型迁移到特定任务上，并在有限的数据集上进行微调。这样可以充分利用预训练模型在大规模数据上学到的知识，弥补特定任务数据量不足的问题。
从头开始训练一个深度学习模型需要大量的计算资源和时间，尤其是对于复杂的网络结构（如ResNet、EfficientNet等）。训练过程可能需要数天甚至数周的时间，这对于快速迭代和优化模型非常不利。
在PyTorch中，自定义数据集是一个常见的需求，特别是在处理非标准数据或需要特定预处理步骤时。在PyTorch中，你需要继承torch.utils.data.Dataset类来创建自定义数据集。这个类需要实现三个方法：init,len,和getitem。
DataLoader是PyTorch中用于加载数据集的一个类，它提供了批处理、打乱数据和多进程加载数据的功能。最后，你可以使用DataLoader在训练循环中加载数据，并将数据输入到你的模型中进行训练。
对于模型选择，可以从ImageNet的排行榜选择选择。但模型的选择需要根据具体的任务需求、数据量和计算资源来综合考虑。并不是越大的模型就一定越好。
https ://paperswithcode.com/sota/image-classification-on-imagenet
AlexNet
在ImageNet竞赛中取得突破性成果，使用ReLU激活函数和Dropout技术减少过拟合，开启了深度学习在图像分类领域的应用
GoogLeNet（Inception）
引入了Inception模块，通过并行的卷积和池化操作来增加网络宽度，同时控制参数数量。
ResNet
引入了残差连接（ResidualConnection），解决了深层网络训练中的退化问题，使得训练更深的网络成为可能。
EfficientNet模型
通过复合缩放方法（同时扩展深度、宽度和分辨率）来提高网络性能，同时保持较低的计算成本。
数据增强是图像分类任务中常用的技术，旨在通过对原始图像进行一系列随机变换来增加数据集的多样性，从而提高模型的泛化能力。
Mixup是一种数据增强技术，通过将两张图像及其标签进行线性插值来生成新的训练样本。例如，给定两张图像I1和I2及其对应的标签y1和y2，Mixup生成新的图像和标签为：
CutMix是Mixup的变体，它不是对整个图像进行混合，而是在图像之间交换矩形区域。具体来说，随机选择一个矩形区域，将该区域从一张图像“剪切”并“粘贴”到另一张图像上，同时标签也按照区域面积比例进行混合。这种方法可以鼓励模型关注图像的局部特征，提高模型的鲁棒性。
这一部分的资料可以参考：
https ://albumentations.ai/docs/3-basic-usage/image-classification/
https ://pytorch.org/vision/main/transforms.html
当类别分布不均匀时，模型可能会偏向于多数类，导致对少数类的识别性能较差。为了解决这个问题，可以采用多种策略，其中之一就是使用FocalLoss。
FocalLoss的优点
提高少数类识别性能：通过增加少数类样本的损失贡献，FocalLoss有助于提高模型对少数类的识别性能。
减少易分类样本的影响：通过减少易分类样本的损失贡献，FocalLoss有助于模型关注难以分类的样本，从而提高整体性能。
灵活性：FocalLoss的参数（α和γ）可以根据具体任务进行调整，以获得最佳性能。
在图像分类任务中，尤其是针对消防隐患识别这样的具体应用场景，除了基本的图像分类方法外，还有多种进阶方法可以帮助提升模型的性能和准确性。
高风险：楼道中出现电动车、电瓶、飞线充电等可能起火的元素。
中风险：楼道中存在大量堆积物严重影响通行或堆放大量纸箱、木质家具等能造成火势蔓延的堵塞物。
低风险：存在楼道堆物现象但不严重。
无风险：楼道干净，无堆放物品。
非楼道：一些与楼道无关的图片。
待选的思路如下：
cnn、vit传统的图像分类，多分类-》划分5类；
使用物体检测模型（如YOLO、FasterR-CNN等）来识别图像中的具体物体，如电动车、电瓶、堆积物等。-》物体-》划分类别；
CLIP（ContrastiveLanguage-ImagePre-training）模型能够将图像和文本映射到同一个嵌入空间，从而实现跨模态的匹配。
利用多模态大模型（如ViLT、ALIGN等），这些模型能够同时处理图像和文本信息。
#学习大模型&讨论Kaggle#
△长按添加竞赛小助手
每天大模型、算法竞赛、干货资讯
与36000+来自竞赛爱好者一起交流~
