谷歌開源移動設備視覺模型MobileNets

那個看起來很牛逼的MobileNets開源了，TensorFlow可用~

新智元報道

來源：谷歌博客

譯者： 四疊半

【新智元導讀】谷歌今天開源了MobileNets，它是一類用於手機等移動設備的視覺應用的高效模型，能夠最大限度利用有限的資源實現高準確性。

地址：https://github.com/tensorflow/models/blob/master/slim

新智元專訪論文作者：AI新星 | 谷歌朱夢龍：從COCO物體檢測冠軍到MobileNet

更多細節，請閱讀論文《谷歌MobileNet: 移動和嵌入式設備視覺應用模型，效果超越眾主流模型》. （新智元介紹）

近年來，深度學習促進了計算機視覺領域的巨大進步，神經網路不斷地推動著視覺識別技術的前沿。雖然許多這些技術，例如對象、地標、logo、文本識別等，是通過 Cloud Vision API 提供給互聯網連接的設備，但我們相信，智能手機等移動設備日益強大的計算能力可以令這些技術交付到用戶手中，不需互聯網連接，隨時隨地可用。但是，手機上以及嵌入式應用程序的視覺識別有許多挑戰，模型必須要能夠在資源有限的環境中快速、高效地運行，必須要充分利用有限的計算力、功率和空間。

今天，我們很高興地宣布開源 MobileNets，這是 TensorFlow上的「移動為先」（mobile-first）計算機視覺模型家族的一員，它能利用移動設備應用程序或嵌入式應用程序的有限資源，最大限度地提高準確性。MobileNets是小型、低延遲、低功耗的模型，參數化以滿足各種用例的資源限制。它可以被構建用於分類、檢測、嵌入和分割，功能類似其他流行的大規模模型（例如Inception）。

示例用例包括物體檢測、細粒度分類、屬性提取和地理定位。

此版本包含使用TF-Slim的TensorFlow中的MobileNets的模型定義，以及用於各種規模的手機項目的16個預訓練ImageNet分類檢查點。這些模型可以使用TensorFlow Mobile在移動設備上高效運行。

選擇正確的MobileNet模型，以適應你的延遲時間和規模預算。內存和磁碟上網路的大小與參數數量成正比。網路的延遲時間和功率使用量與成績累加運算（MAC）的數值相當。Top-1和Top-5的準確度是在ILSVRC數據集上測得。

我們很高興與開源社區共享MobileNets，開源獲取地址：https://github.com/tensorflow/models/blob/master/slim/nets/mobilenet_v1.md

在TensorFlow-Slim Image Classification Library可以獲取開始使用信息，了解如何在設備上運行模型，請訪問TensorFlowMobile：https://www.tensorflow.org/mobile

推薦閱讀

新智元專訪論文作者：

AI新星 | 谷歌朱夢龍：從COCO物體檢測冠軍到MobileNet

更多細節，請閱讀論文《谷歌MobileNet: 移動和嵌入式設備視覺應用模型，效果超越眾主流模型》. （新智元介紹）

致謝：

主要貢獻者: Andrew G. Howard, Menglong Zhu, Bo Chen, Dmitry Kalenichenko, Weijun Wang, Tobias Weyand, Marco Andreetto, Hartwig Adam

特別感謝: Benoit Jacob, Skirmantas Kligys, George Papandreou, Liang-Chieh Chen, Derek Chow, Sergio Guadarrama, Jonathan Huang, Andre Hentz, Pete Warden

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！