谷歌更新TensorFlow目標檢測API

去年穀歌發布了TensorFlow目標檢測API[7]，從那以後陸續添加了很多新特性，比如Neural Architecture Search[1]的模型學習，支持實例分割[8]，在谷歌的超大數據集Open Images上訓練的新模型等。

從此有很多有趣的應用被開發出來，比如在紐約街頭尋找傻瓜（finding scofflaws on the streets of NYC[2]）,診斷坦尚尼亞木薯植物的疾病(diagnosing diseases on cassava plants in Tanzania[3])。

GIF

谷歌這次的更新又帶來了哪些新特性呢？

1.支持通過Cloud TPU加速目標檢測的訓練；

2.通過加速推理，並使用TensorFlow Lite輕鬆將模型導出到移動設備，改進移動端部署流程；

3.添加幾個新的模型架構：

3.1 RetinaNet (Lin et al., 2017)；

3.2 以MobileNet為特徵提取骨幹網的RetinaNet；

3.3 Pooling Pyramid Network(PPN)[4]-一種新的基於SSD的網路架構，它可以使模型以僅付出極小的精度損失的代價降低3倍的參數規模；

並發布了以上網路架構在COCO數據集上的已經訓練好的模型！！！

Cloud TPUs的訓練加速，對待調參俠要更好一點！

通常優化超參數和重新訓練目標檢測模型使極其耗時的，因此在實驗中快速周轉時間至關重要。以上發布的模型屬於SSD類架構，這些架構針對Cloud TPUs的訓練進行了優化。例如，訓練基於ResNet-50的RetinaNet模型，可以在3.5小時內在COCO數據集上實現35％的mAP。

模型量化和TensorFlow lite的推理加速，因為知道你的痛！

為了更好地支持移動和嵌入式設備的低延遲需求，我們提供的模型現在與TensorFlow Lite原生兼容，TensorFlow Lite支持低延遲和小的二進位模型文件的終端側機器學習推理。作為其中的一部分，已經實現了：（1）模型量化和（2）面向目標檢測特定的TensorFlow Lite原生支持。模型量化遵循Jacob（2018）[5]的論文和Krishnamoorthi（2018）[6]的白皮書中提出的策略，使得運行速度更快，模型更小。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！