阿里云机器学习PAI平台在驾驶行为识别上的应用

2021年

第4期

学报

第42卷

总第313期

阿里云机器学习PAI平台

在驾驶行为识别上的应用

林峰，刘永志

摘要：随着具有车内外双拍摄功能行车记录仪的普及，如何通过分析车内驾驶人员实时影像，

识别驾驶者状态，对分心驾驶、疲劳驾驶等危险行为进行及时预警已成为近年来研究的热点问题之

一.该文基于阿里云机器学习PAI平台，利用AutoLearning自动学习模块，对1100张含10种驾驶状

态的车内影像数据构建了线上深度学习模型，模型训练耗时约11分钟，识别准确率可达99.08%，并通

过与传统本地线下模型训练方式的对比，验证了基于PAI平台方案的可行性，为基于图像识别的驾

驶行为检测提供了一种新的参考方法.

关键词：PAI平台；AutoLearning；驾驶行为；机器学习

中图分类号：TP181文献标志码：A文章编号：1008-7974（2021）04-0085-05

DOI：10.13877/22-1284.2021.04.014

发布了《道路交通安全调研报告——2019年

2020年4月，中国社会福利基金会等机构

方案

［2-3］

.在该方案中，基于深度学习的图像

识别技术被广泛使用，并已在实践中被证实

具有较高的性能和准确性

［4］

.但是传统的深

度学习图像识别技术存在以下不足：一是需

要开发人员掌握深度学习相关理论知识，能

够熟练使用Keras、TensorFlow等第三方代码

库，并具备手工搭建多层人工神经网络模型

的能力；二是深度学习模型训练的过程往往

需要消耗大量的计算资源，若开发人员硬件资

源受限，将无法进行大规模图像识别模型的

构建；三是图像识别模型一旦训练完成后，缺

度：不良驾驶行为》.报告指出分心驾驶、疲劳

驾驶等不良驾驶行为是造成2019年度中国道

路交通事故的最主要原因.因此如何有效识

别车辆司机驾驶状态，对分心驾驶、疲劳驾驶

等危险行为进行及时预警，对减少车辆交通

事故的发生具有重大意义

［1］

.

近年来，随着行车记录仪的普及，通过对

驾驶人员实时影像检测，快速识别不良行为

并告警已逐渐成为解决不良驾驶行为的主流

收稿日期：2020-09-13

基金项目：福州职业技术学院校级科研项目（FZYKJJJB201901）.

作者简介：林峰，福建漳州人，福州职业技术学院工程师；刘永志，福州职业技术学院教授（福建福州350108）.

85

2021年

乏便捷的手段将其快速部署，实用性不强

［5-8］

机器学习PAI平台是阿里云计算有限公

.

司开发的一款在线机器学习平台.基于阿里

云自身丰富的技术积累和强大的云计算资

源，开发者只需准备训练数据集，PAI平台可

提供数据预处理、数据分析、数据可视化、模

型评估、模型发布等一站式服务.AutoLearning

自动学习模块是机器学习PAI平台中的重要

组件之一.在图像识别问题上，只要训练集数

据质量得到保证，AutoLearning自动学习模块

就能快速训练足够精确的模型，并提供一键

发布模型的服务

［9］

机器学习PAI平台，

.鉴于此

结合Auto

，本文利用阿里云

Learning自动学

习模块，构建了线上驾驶行为识别模型，并进

行了相关验证和发布试验.

1机器学习PAI平台

机器学习PAI平台（PlatformofArtificialIn⁃

telligence

了一站式的机器学习解决方案

）是一款阿里云人工智

.PAI

能平

平台起初

台，提供

仅服务于阿里巴巴集团内部业务，致力于让

阿里巴巴集团内部开发者能够高效、简洁、标

准地使用人工智能技术.随着平台技术的不

断积累，2018年机器学习PAI平台正式商业

化，目前已积累了数万企业客户和个人开发

者，是国内领先的线上机器学习平台之一.机

器学习PAI平台具有如下优点：①支持一站式

机器学习，使用者只需要准备好训练数据（注

意：数据通常存放在阿里云OSS或MaxCom⁃

pute

程、模型训练、

系统中），数据上传、

模型评估及模型部署等环节均

数据预处理、特征工

可在阿里云PAI平台中操作实现.②对接阿里

云DataWorks大数据平台，支持SQL、UDF、

UDAF

高.③

、

生

MR

成模

等

型

多

的

种

实

数

验

据

流

处

程

理

支

方

持

式

DataWorks

，灵活性较

平

86

学报

第4期

台周期性调度，且调度任务可区分生产环境

和开发环境，确保数据安全性.

机器学习PAI平台主要提供了可视化建

模PAI-Studio、交互式AI研发PAI-DSW，以及

自动化建模AutoLearning三种使用模式.其中

Auto

支持在线标注、

Learning模式提供了自动机器学习服务，

自动模型训练、超参优化及模

型评估等常见机器学习操作.使用者只需准

备少量标注数据，设置训练时长，就可以得到

深度优化的人工智能算法模型.

2基于机器学习PAI平台的驾驶行为

识别

2.1数据准备

本文实验数据来源于大数据算法竞赛平

台Kaggle（赛题：StateFarmDistractedDriverDe⁃

tection

22

约占

424

），涉及26位司机、10种驾驶行为，合计

40

张

KB

图

存

片

储

.每

空

张

间

图

.原

片

始

尺

数

寸

据

均

集

为

体

640×480

量较大

，

，

为方便实验，抽选了具有代表性的两名司机

机编号：p021、p022）的样本数据，并随机

拆分为训练集（图片数量：1100）和测试集（图

片数量：220）.其中图片示例如图1所示，数据

集分布见表1.

图1训练样本示例

（司

林峰，等：阿里云机器学习PAI平台在驾驶行为识别上的应用

表1数据集分布

类别代码驾驶行为说明训练集测试集合计

c0

c1

normal

texting

driving

-right

20040240

c2talkingonthephone-right

100120

c3

100

20

120

c4talking

texting-left100

20

120

c5operating

onthe100

20

120

c6drinking

the

phone

radio

-left

100

20

120

c7

hair

reaching

andmake

behind

100

20

120

c8up

100

20

120

c9talkingtopassenger

100

20

20120

合计

1

100

100220

20

1

120

320

阿里云PAI平台中图像识别模型依赖的

训练数据需存储于OSS平台中.OSS（Object

Storage

海量数据规模的分布式存储服务，

Service，对象存储服务）平台

具有稳定、

提供面向

可靠、安全、低成本的特点.在OSS平台中创

建存储空间（亦称之为Bucket），新建目录，并

通过专用客户端工具oss-browser，将1100张训

练集图片进行上传.值得注意的是，需要创建

相应的RAM角色（角色名：AutoLearningRole），

并赋予AliyunOSSFullAccess权限，阿里云PAI

平台才能访问OSS平台图像数据用于模型训

练.具体角色创建及赋权操作可见阿里云相

关帮助文档，此处不作赘述.

2.2创建AutoLearning实例

进入阿里云机器学习PAI平台，在“自动

学习（AutoLearning）”栏目中，创建实例.其中

在“创建实例”对话框中，选择实例类型为“图

片分类”，并设置标注配置文件OSS路径.标

注配置文件为CSV文本文件，需手工生成，用

于指定训练集中各图片所属类别.文件内容

包含样本ID、图片文件OSS路径，以及类别标

注等信息，内容格式如下所示：

0

distracted_driver_detection/train/img_"}

，{"tfspath"："oss：//-cn-shanghai.

，{"option"

aliyuncs.

："c0"}

com/

2.3模型训练及评估

在AutoLearning自动学习页面中，通过随

机抽查，确认训练图片标注无误后，即可进入

模型训练及评估阶段.点击页面下方“完成标

注”按钮，弹出“开始训练”对话框.配置最大

训练时长为60分钟后，点击“开始训练”按钮.

截止本文撰写时，阿里云PAI平台AutoLearn⁃

“最大训练时长

ing自动学习模块仍处于公测阶段

”不能超过60分钟

，

，

配置参数

对训练模

型所消耗的阿里云计算资源无需付费.经过

约11分钟时长的训练，驾驶行为识别模型指

标数据已达到预期：准确率99.08%，模型训练

结束.

2.4模型部署和测试使用

模型训练完毕后，可进行EAS部署.阿里

云EAS（ElasticAlgorithmService，弹性算法服

务）支持将所训练的模型发布为在线预测服

务，通过RESTfulAPI形式供第三方系统或平

台使用.本文以流行的Python编程语言作为

实例，本地测试客户端通过阿里云提供的

eas-prediction

心代码如下所示

库，

.

进行模型在线接口调用，核

from

#引入模块

from

eas_prediction

eas_prediction

importPredictClient

#初始化客户端

importStringRequest

client=PredictClient

_token

（"接口

（"接口公网

TOKEN码

URL

"）

地址"）

#

（

构造请求参数

）

request=StringRequest

#预测

（'{"image"："待预测图片base64编码"}'）

response=t

print（se_

（）

在线预测服务返回

（

的

））

结果为JSON字符

串，提供了上传图片所属各类别的概率，形如：

{"class_probs"：{"c9"：2.4398683962090217e-08，"c8"：

87

2021年

1.79963e-06，……}，"success"：true，"request_id"：

"ff281367-4d25-435b-8cca-69b653ed5e48"，

08，……］，"predictions"：3，"class"：3}

"c6"，"probs"：［3.242876633891001e-09，5.3566e-

"class_name"：

学报

第4期

通过使用PAI平台在线预测服务，结合上

述核心Python代码，对含220张驾驶图片的测

试集进行了预测分析，比对真实情况，220张

图片驾驶行为均被准确识别，准确率为100%.

同时经过测试，平均每张图片预测耗时1160

毫秒，不超过1.5秒，满足驾驶行为检测性能

要求.

3传统本地线下模式比对

为与机器学习PAI平台方式进行对比分

析，本文使用Python编程语言，依托深度学习

开源库Keras（版本号：2.2.5）、TensorFlow（版本

号：1.15.3），开发了CNN卷积神经网络模型.

所设计的本地模型包含了卷积层、池化层、全

连接层等结构，合计参数12946890个.使用

上述与机器学习PAI平台方式相同的1100张图

片进行模型训练，在个人计算机中（CPU：1.8

GHz、4核，内存：10GB、DDR3）耗时约222分

钟（3.7小时），模型准确度及损失函数（cate⁃

gorical_crossentropy）逐渐收敛，如图2所示.

表2

项目

训练耗时/min

训练集准确率/%

测试集准确率/%

每帧识别耗时/ms

模型发布

主要工作内容

机器学习PAI平台模式

11

99.08

100

1160

支持一键自动发布

数据准备

①OSS存储（标准型）：0.12元/GB/月；

图2线下模型准确度、损失函数收敛曲线

通过对含220张图片的测试集进行测试，

成功预测193张图片所属驾驶行为，准确率为

87.73%，此外平均每张图片预测耗时43毫秒.

结合模型训练耗时、测试集准确率、平均每帧

图片预测耗时及费用等因素，将本地开发模

式与在线PAI平台模式进行对比，具体情况见

表2.基于PAI平台AutoLearning模式的方法

两种模型训练模式对比

传统本地线下模式

222

98.73

87.73

43

需要代码开发支持

数据准备、代码开发、模型评估等

费用

③EAS服务（1CPU核心+4GB内存）：0.4元/小时.

②AutoLearning训练：公测阶段免费；

基于第三方开源平台，免费使用

88

林峰，等：阿里云机器学习PAI平台在驾驶行为识别上的应用

具有如下特点：①操作人员不需要掌握额外

的编程方法和深度学习技术，能够将主要精

力集中于训练数据的采集和标注上.②依托

阿里云IT技术积累，图像分类模型准确率较

高.③可弹性提供模型训练依赖的计算资源.

④易于将模型发布为线上服务，方便其他系

统或平台使用.⑤资费合理，使用者无需承担

测试、发布等一站式服务.

过高的费用，即可享受机器学习模型的训练、

影响分析［J］.安全与环境学报，2016，16（6）：174-178.

［2］陈军，陆娇蓝，刘尧，等.基于云计算的多特

征疲劳驾驶检测系统研究与设计［J］.计算机测量与

控制，2015，23（10）：3341-3343.

［3］张辉，钱大琳，邵春福，等.驾驶人分心状态

判别支持向量机模型优化算法［J］.交通运输系统工

程与信息，2018，18（1）：127-132.

［4］RAOX，LINF，CHENZ，cteddriv⁃

ingrecognitionmethodbasedondeepconvolutionalneural

network［J］.JAmbIntelHumComp，2019（8）：193-200.

［5］郑远攀，李广阳，李晔.深度学习在图像识别

4结语

本文基于阿里云机器学习PAI平台，结合

中的应用研究综述［J］.计算机工程与应用，2019，55

（12）：20-36.

［6］周飞燕，金林鹏，董军.卷积神经网络研究综

述［J］.计算机学报，2017（6）：1-23.

［7］李林，张盛兵，吴鹃.基于深度学习的实时图

像目标检测系统设计［J］.计算机测量与控制，2019

（7）：15-19.

［8］邢艳芳，段红秀，何光威.TensorFlow在图像识

别系统中的应用［J］.计算机技术与发展，2019，29

（5）：192-196.

［9］焦嘉烽，李云.大数据下的典型机器学习平

台综述［J］.计算机应用，2017，37（11）：3039-3047，

3052.

AutoLearning自动学习模块，利用1100张含10

种驾驶状态的车内影像数据，构建了一个高

性能的线上驾驶行为识别模型.该方案解决

了传统本地线下模型训练方式深度依赖开发

能力和计算资源的缺陷，后续计划将进一步

丰富数据集，提升模型在多场景、多尺度情况

下驾驶行为识别准确率.

参考文献：

［1］崔健，赵建有.驾驶分心对隧道段行车安全

（责任编辑：王前）

ApplicationofAliyunPAIPlatforminDrivingBehaviorRecognition

（FuzhouPolytechnic，Fuzhou350108，China）

LINFeng，LIUYong-zhi

Abstract：Withthepopularizationofdrivingrecorderswithdualcamerafunction，howtoanalyzethereal-

timeimagesofthedriverinthecartoidentifythedriver'sstateandprovidetimelywarningofdangerous

behaviorssuchasdistracteddrivingandfatiguedrivinghasbecomeahotresearchtopicinrecentyears.

eltrainingtakesabout11

min，andtherecognitionaccuracyisupto99.08%.Inaddition，thispaperverifiesthefeasibilityofthe

andprovidesanewreferencemethodfordrivingbehaviordetectionbasedonimagerecognition.

Keywords：PAIplatform；AutoLearning；drivingbehavior；machinelearning

BasedonthePAIplatform，thisarticleusestheAutoLearningmoduletoconstructanonlinedeeplearn⁃

PAIplatformsolutionbasedonthecomparisonwiththetraditionallocalofflinemodeltrainingmethod，

89