基于Mask R-CNN和TensorRT的高效草莓实例分割

An efficient strawberry segmentation model based on Mask R-CNN and TensorRT

---------------------------------------------------------------------------------------------------------------------------

研究背景：人工智能在农业应用广泛，草莓生产消费增长但采摘成本高、耗时久，自动采收是解决方案，然而光照、遮挡等因素给果实检测分割带来困难，现有深度学习模型实时性不足，需要高精度且实时模型

研究内容：提出高效Mask R-CNN模型用于草莓果实实例分割，用Detectron2和NVIDIA TAO两种方法训练，结合NVIDIA TensorRT优化，从FPS、模型大小、mAP值评估模型效率

研究思路：针对草莓采摘难题，聚焦果实实例分割，利用深度学习技术，通过两种训练方法结合模型优化，探索兼具高精度和实时性的草莓分割模型

---------------------------------------------------------------------------------------------------------------------------

Mask R-CNN结构

Dectectron2、NVIDIA TAO工具包，NVIDIA TensorRT都是用来做人工智能领域的目标检测与图像分割任务的

Dectectron2：是一套“训练框架”，可以基于它快速搭建模型，利用预训练的基础模型在自己的数据集上训练，节省从零开始的时间，让模型学会识别和分割图像里的目标

NVIDIA TAO工具包：是一套“优化工具”，基于迁移学习对模型微调，让模型在GPU、CPU或嵌入式设备上跑得更快、更准

NVIDIA TensorRT：是“推理加速器”，把训练好的模型进一步优化，让它能在实时场景中快速运行，还能把模型压缩到嵌入式设备上用，不过需要先格式转换

NVIDIA的“TAO工具箱”+“TensorRT加速器”，教一个教Mask R-CNN的“机器人”认东西、分区域，这个工具箱里有不同版本的“骨架”（ResNet-10、50这些），这些骨架已经在谷歌的OpenImages数据集上“预习”过了