谷歌開源物體檢測系統 API （附代碼下載地址）

雷鋒網AI科技評論按：6.15號，谷歌在其「谷歌開源」博客（Google Open Source ）中發表一篇名為《Supercharge your Computer Vision models with the TensorFlow Object Detection API》的文章，文中指出雖然谷歌的物體檢測，圖像識別機器學習系統很先進，但仍面臨著很多挑戰，比如如何提高識別精度。為此，谷歌將其物體檢測系統代碼開源，希望更多愛好者參與進來，共同推動研究領域的發展。雷鋒網編輯對原文做了不改動願意的整理編譯：

在谷歌，有為計算機視覺開發的最靈活，最先進的機器學習（ML）系統，不僅可以用來改進產品和服務，還可以促進研究領域的進步。不過，在單個圖像中創建精確的ML模型使其能夠定位和識別多個對象仍然是該領域的一個核心挑戰，谷歌投入了大量的時間訓練和試驗這些系統。

圖中為其中的一個模型對圖片中對象的識別檢測效果

去年十月，谷歌內部的物體檢測系統已達到了最先進水平，並在COCO檢測挑戰賽中排名第一。此後，該系統為大量研究期刊提供了結果。在一些谷歌產品中也已投入使用，如NestCam。在Street View中，街道名稱，門牌號的檢測，和在Image Search中都運用了相似的理念思想。

今天很高興可以通過TensorFlow Object Detection API將代碼開源給更大的研究社區。這個代碼庫是建立在TensorFlow上端的開源框架，使其構建，訓練，展開物體檢測模型變得容易。設計這一系統目的是為支持當前最佳的模型，同時允許快速探索和研究。第一個版本包含：

一個可訓練的檢測模型的集合，包括：

• 帶有MobileNets的SSD(Single Shot Multibox Detector)

• 帶有Inception V2的SSD

• 帶有Resnet 101的R-FCN（Region-based Fully Convolutional Networks）

• 帶有Resnet 101的 Faster RCNN

• 帶有Inception Resnet v2的Faster RCNN

上述每一個模型的凍結權重（在COCO的數據集上訓練）可被運用進行推理。

一個Jupyter notebook 可通過我們的模型之一進行開箱推理

藉助谷歌雲實現便捷的本地訓練腳本以及分布式訓練和評估管道

SSD模型使用了輕量化的MobileNet，因此它可以輕而易舉地實時在移動設備運行。在贏得COCO挑戰賽中，谷歌使用了Fast RCNN模型，它需要更多的計算資源，同時結果也更為準確。

更多細節，請參看谷歌發表在CVPR 2017（https://arxiv.org/abs/1611.10012）的論文。

準備好開始了嗎？

這些代碼在計算機視覺應用中非常有用。谷歌希望這次開源能滿足一部分人所需。也同時也歡迎更多能為代碼庫做貢獻的人參與進來。現在，就可以下載代碼，使用Jupyter notebook對圖片中的物體進行識別。也可以使用Cloud ML訓練自己的識別器了。

代碼下載地址：https://github.com/tensorflow/models/tree/master/object_detection

Jupyter notebook：https://github.com/tensorflow/models/blob/master/object_detection/object_detection_tutorial.ipynb

Cloud ML：https://cloud.google.com/blog/big-data/2017/06/training-an-object-detector-using-cloud-machine-learning-engine

via Google； 雷鋒網整理編譯

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！