设计用于实时空货架检测的高效端到端机器学习流水线
机器学习
2022-05-31 v2 计算机视觉与模式识别
摘要
零售店中产品的货架有货率(OSA)是快速消费品与零售行业的关键业务指标。当产品缺货(OOS)且顾客在其指定货架上找不到时，会促使顾客转换门店或不购买，导致未来销售与需求下降。零售商采用多种方法检测空货架并确保产品高OSA；然而此类方法通常低效且不可行，因为它们或是人工的、昂贵的或精度较低。近期已有基于机器学习的方案提出，但由于缺乏大规模标注的货架产品数据集，它们存在计算成本高与精度低的问题。在此，我们提出一种优雅的方法来设计用于实时空货架检测的端到端机器学习(ML)流水线。考虑到ML模型质量与数据质量的强依赖性，我们在深入建模前聚焦于恰当数据收集、清洗与正确数据标注的重要性。由于空货架检测方案应计算高效以支持实时预测，我们探索了不同的运行时优化以提升模型性能。我们的数据集包含1000张图像，依据明确定义的准则收集并标注。我们的低延迟模型在Intel Xeon Gold上达到68.5%的平均F1分数，每秒可处理多达67张图像，在A100 GPU上每秒多达860张图像。
引用
@article{arxiv.2205.13060,
title = {Designing an Efficient End-to-end Machine Learning Pipeline for Real-time Empty-shelf Detection},
author = {Dipendra Jha and Ata Mahjoubfar and Anupama Joshi},
journal= {arXiv preprint arXiv:2205.13060},
year = {2022}
}
备注
7 figures, 3 tables, 10 pages