0代碼體驗效果，1行實現推理，10行搞定調優(yōu)！101個CV模型開源（cv 代碼）
作者：謝宣松 阿里達摩院開放視覺智能負責人
編輯：好困
【新智元導讀】11 月 3 日，在 2022 云棲大會上，阿里達摩院聯(lián)手 CCF 開源發(fā)展委員會共同推出了 AI 模型社區(qū)「魔搭」ModelScope。本文，阿里達摩院開放視覺智能負責人謝宣松，深入解析了魔搭社區(qū)里首批開源的 101 個視覺 AI 模型。
計算機視覺是人工智能的基石，也是應用最廣泛的 AI 技術，從日常手機解鎖使用的人臉識別，再到火熱的產業(yè)前沿自動駕駛，視覺 AI 都大顯身手。
作為一名視覺 AI 研究者，我認為視覺 AI 的潛能遠未得到充分發(fā)揮，窮盡我們這些研究者的力量，也只能覆蓋少數行業(yè)和場景，遠未能滿足全社會的需求。
因此，在 AI 模型社區(qū)魔搭 ModelScope 上，我們決定全面開源達摩院研發(fā)的視覺 AI 模型，首批達 101 個，其中多數為 SOTA 或經過實踐檢驗。我們希望讓更多開發(fā)者來使用視覺 AI，更期待 AI 能成為人類社會前進的動力之一。
魔搭社區(qū)地址：modelscope.cn
背景
AI 模型較為復雜，尤其是要應用于行業(yè)場景，往往需要重新訓練，這使得 AI 只掌握在少數算法人員手中，難以走向大眾化。
而新推出的魔搭社區(qū) ModelScope，踐行模型即服務的新理念（Model as a Service），提供眾多預訓練基礎模型，只需針對具體場景再稍作調優(yōu)，就能快速投入使用。
達摩院率先向魔搭社區(qū)貢獻 300 多個經過驗證的優(yōu)質 AI 模型，超過 1/3 為中文模型，全面開源開放，并且把模型變?yōu)橹苯涌捎玫姆铡?/span>
社區(qū)首批開源模型包括視覺、語音、自然語言處理、多模態(tài)等 AI 主要方向，并向 AI for Science 等新領域積極探索，覆蓋的主流任務超過 60 個。
模型均經過專家篩選和效果驗證，包括 150 多個 SOTA（業(yè)界領先）模型和 10 多個大模型，全面開源且開放使用。
概要：以人為中心的視覺 AI
這些年來，達摩院作為阿里巴巴的基礎科研機構和人才高地，在阿里海量業(yè)務場景中研發(fā)出一批優(yōu)秀的視覺 AI 能力，分布在各個環(huán)節(jié)：
這些視覺 AI 技術，幾乎覆蓋了從理解到生成等各方面。因視覺技術任務眾多，我們需要有一個相對合理的分類方法，可以從模態(tài)、對象、功能、場景等幾個維度來分：
魔搭社區(qū)首批開放了主要的視覺任務模型，這些模型即有學術創(chuàng)新的 SOTA 技術，也有久經考驗的實戰(zhàn)模型，從「功能 / 任務」的維度上，涵蓋了常見的感知、理解、生產等大類：
雖然視覺技術有點龐雜，但其實有個核心，那就是研究「對象」，「人」一直以來都是最重要的「對象」?！敢匀藶橹行摹沟囊曈X AI 技術，也是研究最早最深、使用最普遍的技術。
我們以一個人的照片作為起點。
AI 首先需要理解這個照片 / 圖像，如識別這個照片是誰，有什么動作，能否摳出像等。
然后，我們還需要進一步探索：照片質量如何，能否畫質變得更好，其中的人能否變得更漂亮，甚至變成卡通人、數字人等…
如上的 7 個「人」相關的流程，基本涵蓋了視覺任務中的「理解」、「增強」、「編輯」等大類，我們以魔搭社區(qū)已開放的相關模型為實例，來分享以人為中心的視覺技術的特點、優(yōu)點、示例以及應用。
感知理解類模型
1. 從照片摳出人像
模型名：BSHM 人像摳圖
體驗鏈接：https://www.modelscope.cn/models/damo/cv_unet_image-matting/
從照片摳出人像，去掉背景，是一個非常普遍的需求，也是「PS」的基本操作之一，但傳統(tǒng)人工操作費時費力、且效果不佳。
魔搭提供的人像摳圖模型，是一個 全自動、端到端的人像摳圖模型，能夠實現發(fā)絲級別的精細分割。
技術上我們也進行了創(chuàng)新，不同于其他模型基于大量精細標注數據訓練的方法，我們的模型使用粗標注數據就能實現精細摳圖，對數據要求低、精度高。
具體來說，模型框架分為三部分：粗 mask 估計網絡（MPN）、質量統(tǒng)一化網絡（QUN）、以及精確 alpha matte 估計網絡（MRN）。
我們首先將復雜問題拆解，先粗分割（MPN）再精細化分割（MRN）。
學術界有大量易獲取的粗分割數據，但是粗分割數據和精分割數據不一致導致預期 GAP 很大，故而我們又設計了質量統(tǒng)一化網絡（QUN）。
MPN 的用途是估計粗語義信息（粗 mask），使用粗標注數據和精標注數據一起訓練。
QUN 是質量統(tǒng)一化網絡，用以規(guī)范粗 mask 質量，QUN 可以統(tǒng)一 MPN 輸出的粗 mask 質量。
MRN 網絡輸入原圖和經過 QUN 規(guī)范化后的粗 mask，估計精確的 alpha matte，使用精確標注數據訓練。
當然，摳圖分割相關的需求非常多樣化，我們也上線了一系列模型，支持非人像摳圖以及視頻摳圖等。
開發(fā)者可以直接拿來即用，如進行輔助設計師摳圖，一鍵摳圖，大幅提升設計效率，或者自由換背景，可實現會議虛擬背景、證件照、穿越等效果。這些也在阿里自有產品（如釘釘視頻會議）及云上客戶廣泛使用。
2. 檢測并識別是誰
模型名：MogFace 人臉檢測
體驗鏈接：https://www.modelscope.cn/models/damo/cv_resnet101_face-detection_CVPR22papermogface/
人臉檢測和識別是一個 AI 經典任務，也是應用最廣泛的視覺技術之一；從另一方面看，其對效果和性價比要求非常苛刻。
我們自研的 MogFace 為當前 SOTA 的人臉檢測方法，已在 Wider Face 六項榜單上霸榜一年半以上，具體技術論文發(fā)表于 CVPR2022，主要貢獻是從 label assignment, scale-level data augmentation and reduce false alarms 三個角度改進人臉檢測器。
技術上的特點有：
- Scale-level Data Augmentation (SSE)：SSE 是第一個從 maximize pyramid layer 表征的角度來控制數據集中 gt 的尺度分布，而不是 intuitive 的假想檢測器的學習能力，因此在不同場景下都很魯棒；
- Adaptive Online Anchor Mining Strategy(Ali-AMS)：減少對超參的依賴， 簡單且有效的 adpative label assign 方法；
- Hierarchical Context-aware Module (HCAM)：減少誤檢是真實世界人臉檢測器面對的最大挑戰(zhàn)，HCAM 是最近幾年第一次在算法側給出 solid solution。
人臉檢測作為人臉相關的基礎能力，可應用于人臉相冊 / 人臉編輯 / 人臉比對等場景。
由于人臉相關的模型使用非常廣泛，我們也有系列模型的迭代計劃，包括 MogFace 中所介紹的技術點除了 HCAM 均無需引入額外的計算量，后續(xù)準備打造 SOTA 的 family-based 人臉檢測模型；以及真實世界的人臉檢測器除了面對減少誤檢的問題，還面對如何增加人臉檢出率的問題，以及他們之間如何平衡的問題，我們正在進一步探索。
3. 人體關鍵點及動作識別
模型名字：HRNet 人體關鍵點 -2D
體驗鏈接：https://www.modelscope.cn/models/damo/cv_hrnetv2w32_body-2d-keypoints_image/
該任務采用自頂向下的人體關鍵點檢測框架，通過端對端的快速推理可以得到圖像中的 15 點人體關鍵點。
其中人體關鍵點模型基于 HRNet 改進的 backbone，充分利用多分辨率的特征較好地支持日常人體姿態(tài)，在 COCO 數據集的 AP 和 AR50 上取得更高精度。
同時我們也針對體育健身場景做了優(yōu)化，尤其是在瑜伽、健身等場景下多遮擋、非常見、多臥姿等姿態(tài)上具有 SOTA 的檢測精度。
為了更好的適用于各種場景，我們持續(xù)進行優(yōu)化：
- 針對通用場景的大模型在指標上達到 SOTA 性能；
- 針對移動端部署的小模型，內存占用小，運行快、性能穩(wěn)定，在千元機上達到 25～30FPS；
- 針對瑜伽、跳繩技術、仰臥起坐、俯臥撐、高抬腿等體育健身計數和打分場景下多遮擋、非常見、多臥姿姿態(tài)等情況做了深度優(yōu)化，提升算法精度和準確度。
本模型已經廣泛應用于 AI 體育健身、體育測試場景，如阿里體育樂動力，釘釘運動，健身鏡等，也可應用于 3D 關鍵點檢測和 3D 人體重建等場景。
4. 小結
上述三個「人」相關的模型，都屬于感知理解這個大類。先認識世界，再改造世界，感知理解類視覺技術是最基礎、也是應用最廣泛的模型大類，也可以分為識別、檢測和分割三小類：
- 識別 / 分類是視覺（包括圖像、視頻等）技術中最基礎也是最經典的任務，也是生物通過眼睛了解世界最基本的能力。簡單來說，判定一組圖像數據中是否包含某個特定的物體，圖像特征或運動狀態(tài)，知道圖像視頻中描述的對象和內容是什么。此外，還需要了解一些更細維度的信息，或者非實體對象的一些描述標簽。
- 目標檢測的任務是找出視覺內容中感興趣的目標（物體），確定它們的位置和大小，也是機器視覺領域的核心問題之一。一般來說，也會同時對定位到的目標進行分類識別。
- 分割是視覺任務中又一個核心任務，相對于識別檢測，它又更進一步，解決「每一個像素屬于哪個目標物或場景」的問題。是把圖像分成若干個特定的、具有獨特性質的區(qū)域并提出感興趣目標的技術和過程。
魔搭社區(qū)上面開放了豐富的感知理解類模型，供 AI 開發(fā)者試用使用：
5. 彩蛋：DAMO-YOLO 首次放出
模型名字：DAMOYOLO- 高性能通用檢測模型 -S
體驗鏈接：https://www.modelscope.cn/models/damo/cv_tinynas_object-detection_damoyolo/summary
通用目標檢測是計算機視覺的基本問題之一，具有非常廣泛的應用。
DAMO-YOLO 是阿里新推出來的 目標檢測框架，兼顧模型速度與精度，其效果超越了目前的一眾 YOLO 系列方法，且推理速度更快。
DAMO-YOLO 還提供高效的訓練策略和便捷易用的部署工具，能幫助開發(fā)者快速解決工業(yè)落地中的實際問題。
DAMO-YOLO 引入 TinyNAS 技術，使得用戶可以根據硬件算力進行低成本的檢測模型定制，提高硬件利用效率并且獲得更高精度。
另外，DAMO-YOLO 還對檢測模型中的 neck、head 結構設計，以及訓練時的標簽分配、數據增廣等關鍵因素進行了優(yōu)化。
由于做了一系列優(yōu)化，DAMO-YOLO 在嚴格限制 Latency 的情況下精度取得了顯著的提升，成為 YOLO 框架中的新 SOTA。
底層視覺模型
1. 照片去噪去模糊
模型名字：NAFNet 圖像去噪
體驗地址：https://www.modelscope.cn/models/damo/cv_nafnet_image-denoise_sidd/
因拍攝環(huán)境、設備、操作等原因，圖像質量不佳的情況時而存在，怎么對這些圖像的噪聲去除、模糊還原？
該模型在圖像恢復領域具有良好的泛化性，無論是圖像去噪還是圖像去模糊任務，都達到了目前的 SOTA。
由于技術創(chuàng)新，該模型使用了簡單的乘法操作替換了激活函數，在不影響性能的情況下提升了處理速度。
該模型全名叫 NAFNet 去噪模型，即非線性無激活網絡（Nonlinear Activation Free Network），證明了常見的非線性激活函數（Sigmoid、ReLU、GELU、Softmax 等）不是必須的，它們是可以被移除或者是被乘法算法代替的。該模型是對 CNN 結構設計的重要創(chuàng)新。
本模型可以做為很多應用的前置步驟，如智能手機圖像去噪、圖像去運動模糊等。
2. 照片修復及增強
模型名字：GPEN 人像增強模型
體驗地址：https://www.modelscope.cn/models/damo/cv_gpen_image-portrait-enhancement/
除照片去噪以外，對照片的質量（包括分辨、細節(jié)紋理、色彩等）會有更高的處理要求，我們也開放了專門的人像增強模型，對輸入圖像中的每一個檢測到的人像做修復和增強，并對圖像中的非人像區(qū)域采用 RealESRNet 做兩倍的超分辨率，最終返回修復后的完整圖像。該模型能夠魯棒地處理絕大多數復雜的真實降質，修復嚴重損傷的人像。
從效果上看，GPEN 人像增強模型將預訓練好的 StyleGAN2 網絡作為 decoder 嵌入到完整模型中，并通過 finetune 的方式最終實現修復功能，在多項指標上達到行業(yè)領先的效果。
從應用的視角，本模型可以修復家庭老照片或者明星的老照片，修復手機夜景拍攝的低質照片，修復老視頻中的人像等。
后續(xù)我們將增加 1024、2048 等支持處理大分辨人臉的預訓練模型，并在模型效果上持續(xù)更新迭代。
3. 小結
底層視覺，關注的是畫質問題。只要是生物（含人），都會對因光影而產生的細節(jié)、形狀、顏色、流暢性等有感應，人對高畫質的追求更是天然的，但由于各種現實條件，畫質往往不理想，這時候視覺 AI 就能派上用場。
從任務分類上，可以分為：清晰度（分辨率 / 細節(jié)、噪聲 / 劃痕、幀率）、色彩（亮度、色偏等）、修瑕（膚質優(yōu)化、去水印字幕）等，如下表：
編輯生成類模型
1. 變得更漂亮
模型名字：ABPN 人像美膚
體驗鏈接：https://www.modelscope.cn/models/damo/cv_unet_skin-retouching/
人們對照片人像的美觀度是一個剛性需求，包括斑點、顏色、瑕疵等，甚至高矮胖瘦。本次我們開放了專業(yè)級別的人像美膚、液化等模型供大家使用。
本模型提出了一個新穎的自適應混合模塊 ABM，其利用自適應混合圖層實現了圖像的局部精準修飾。此外，我們在 ABM 的基礎上進一步構建了一個混合圖層金字塔，實現了超高清圖像的快速修飾。
相比于現有的圖像修飾方法，ABPN 在修飾精度、速度上均有較大提升。ABPN 人像美膚模型為 ABPN 模型在人像美膚任務中的具體應用。
如下示例：
更進一步，我們還可以在服飾上做一些有意思的嘗試，如去皺：
甚至瘦身美型：
體驗鏈接：https://www.modelscope.cn/models/damo/cv_flow-based-body-reshaping_damo/summary
從效果上來說，有如下幾點特色：
- 局部修飾。只對目標區(qū)域進行編輯，保持非目標區(qū)域不動。
- 精準修飾。充分考慮目標本身的紋理特征和全局上下文信息，以實現精準修飾，去除瑕疵的同時保留皮膚本身的質感。
- 超高分辨率的處理能力。模型的混合圖層金字塔設計，使其可以處理超高分辨率圖像（4K~6K）。
本模型有很強的實用性，比如可應用于專業(yè)修圖領域，如影樓、廣告等，提高生產力，也可以應用于直播互娛場景，提升人像皮膚質感。
2. 變成卡通人
模型名：DCT-Net 人像卡通化模型
體驗鏈接：https://www.modelscope.cn/models/damo/cv_unet_person-image-cartoon_compound-models/
人像卡通化是一個具有很好互動性的玩法，同時又有多種風格可選。魔搭開放的人像卡通化模型基于全新的域校準圖像翻譯網絡 DCT-Net（Domain-Calibrated Translation）實現，采用了「先全局特征校準，再局部紋理轉換」的核心思想，利用百張小樣本風格數據，即可訓練得到輕量穩(wěn)定的風格轉換器，實現高保真、強魯棒、易拓展的高質量人像風格轉換效果。
如下示例：
從效果上來看：
- DCT-Net 具備內容匹配的高保真能力，能有效保留原圖內容中的人物 ID、配飾、身體部件、背景等細節(jié)特征；
- DCT-Net 具備面向復雜場景的強魯棒能力，能輕松處理面部遮擋、稀有姿態(tài)等；
- DCT-Net 在處理維度上和風格適配度上具有易拓展性，利用頭部數據即可拓展至全身像 / 全圖的精細化風格轉換，同時模型具有通用普適性，適配于日漫風、3D、手繪等多種風格轉換。
后續(xù)我們也會對卡通化進行系列化的開放，除圖像轉換外，后續(xù)將包含圖像、視頻、3D 卡通化等系列效果，先放一些效果大家看看：
3. 小結
這類模型對圖像內容進行修改，包括對源圖內容進行編輯加工（增加內容、刪除內容、改換內容等），或者直接生成一個新的視覺內容，轉換一個風格，得到一張新的圖像（基于源圖像且與源圖不同），都屬于編輯生成這個大類，可以理解成，從 A 圖得到 B 圖的過程。
行業(yè)場景類模型
如最開始所說，視覺 AI 技術的價值體現，在廣泛的各類場景中都存在，除了上述「人」相關的視覺 AI 技術，我們也開放了來自互聯(lián)網、工業(yè)、互娛、傳媒、安全、醫(yī)療等多個實戰(zhàn)型的模型，這些模型可以拿來即用，也可以基于finetune訓練或自學習工具進一步加工完善，用于開發(fā)者、客戶特定的場景，這里舉一個例子：
模型名：煙火檢測（正在集成中）
模型功能： 可做室外、室內的火焰檢測以及煙霧檢測，森林、城市道路、園區(qū)，臥室、辦公區(qū)域、廚房、吸煙場所等，算法打磨近 2 年，并在多個客戶場景實際應用，整體效果相對穩(wěn)定。
從技術視角來說，本模型提出 Correlation block 提升多幀檢測精度，其設計數據增強方法提高識別靈敏度同時有效控制誤報。
從應用上來說，模型可應用于室內、室外多種場景，只需要手機拍攝、監(jiān)控攝像頭等簡單設備就可以實現模型功能。
結語：視覺 AI 的開放未來
通過上述分析，我們可以發(fā)現，視覺 AI 的應用潛能極為廣泛，社會需求極為多樣，但現實情況卻是：視覺 AI 的供給能力非常有限。
達摩院在魔搭 ModelScope 之前，就率先開放了 API 形態(tài)的視覺 AI 服務，通過公共云平臺對 AI 開發(fā)者提供一站式視覺在線服務平臺，即視覺智能開放平臺（vision.aliyun.com），其中開放了超 200 個 API，涵蓋了基礎視覺、行業(yè)視覺等方面，也包括上面所說的「以人為中心」的視覺技術。
從開放視覺平臺到魔搭社區(qū)，這意味著達摩院視覺 AI 的開放邁出了更大的一步。從 OpenAPI 拓展到 OpenSDK、OpenSOTA，從公共云到端云協(xié)同，從平臺到社區(qū)，我們希望去滿足千行百業(yè)對視覺 AI 的需求，希望促進視覺 AI 的生態(tài)發(fā)展。
