如何在移動設(shè)備上訓(xùn)練和部署自定義目標檢測模型

發(fā)布人：技術(shù)推廣工程師 Khanh LeViet，代表 TensorFlow Lite 團隊

在今年的 Google I/O 大會上，我們很高興地宣布推出了多項產(chǎn)品更新。這些更新可以幫助簡化移動設(shè)備上，目標檢測模型的訓(xùn)練和部署的過程：

設(shè)備端 ML 學習路徑：關(guān)于如何在移動設(shè)備上，訓(xùn)練和部署自定義目標檢測模型的分步教程，無需機器學習專業(yè)知識。

設(shè)備端 ML 學習路徑

https://developers.google.com/learn/pathways/going-further-object-detection

EfficientDet-Lite：針對移動設(shè)備優(yōu)化的精尖目標檢測模型架構(gòu)。

EfficientDet-Lite

https://hub.tensorflow.google.cn/s？deployment-format=lite&q=efficientdet-lite

用于目標檢測的 TensorFlow Lite Model Maker：只需幾行代碼即可訓(xùn)練自定義模型

目標檢測

http://tensorflow.google.cn/lite/tutorials/model_maker_object_detection

TensorFlow Lite Metadata Writer API：簡化元數(shù)據(jù)創(chuàng)建以生成與 TFLite Task Library 兼容的自定義目標檢測模型。

Metadata Writer API

http://tensorflow.google.cn/lite/convert/metadata_writer_tutorial

TFLite Task Library

http://tensorflow.google.cn/lite/inference_with_metadata/task_library/object_detector

盡管目標檢測是非常常見的 ML 用例，但可能也是最難執(zhí)行的用例之一。我們一直致力于為您簡化相關(guān)操作。在這篇文章中，我們將向您介紹如何利用 TensorFlow Lite 的最新產(chǎn)品、通過使用您自己的訓(xùn)練數(shù)據(jù)構(gòu)建最先進的移動端目標檢測。

設(shè)備端 ML 學習路徑：

在 12 分鐘內(nèi)了解如何訓(xùn)練和部署自定義 TensorFlow Lite 目標檢測模型

有了 TensorFlow Lite，訓(xùn)練自定義目標檢測模型并將其部署到 Android 應(yīng)用變得非常容易。我們已經(jīng)發(fā)布了學習路徑，可指導(dǎo)您按步驟順利完成相關(guān)操作。

您可以通過視頻了解構(gòu)建自定義目標檢測器的具體步驟：

1. 準備訓(xùn)練數(shù)據(jù)。

2. 使用 TensorFlow Lite Model Maker 訓(xùn)練自定義目標檢測模型。

3. 使用 TensorFlow Lite Task Library 在您的移動應(yīng)用上部署模型。

我們還在 GitHub 上提供了帶有源代碼的 Codelab，供您自行試運行代碼。請嘗試一下，并告訴我們您的反饋！

Codelab

https://codelabs.developers.google.com/tflite-object-detection-android

告訴我們

https://github.com/googlecodelabs/odml-pathways/issues

EfficientDet-Lite：

移動端設(shè)備目標檢測最優(yōu)模型架構(gòu)之一

在移動設(shè)備上運行機器學習模型意味著我們始終需要在模型精度、推理速度和模型大小之間進行權(quán)衡。最優(yōu)的移動端模型不僅需要更加精準，還需要更快地運行速度和更小的體積。我們采用了 EfficientDet 論文中發(fā)布的神經(jīng)架構(gòu)搜索技術(shù)，并優(yōu)化了在移動設(shè)備上運行的模型架構(gòu)，最終推出了名為 EfficientDet-Lite 的新型移動設(shè)備目標檢測模型系列。

EfficientDet

https://arxiv.org/abs/1911.09070

EfficientDet-Lite 有 5 個不同的版本：從 Lite0 到 Lite4。較小的版本運行速度更快，而較大的版本精度更高。您可以先用多個版本的 EfficientNet-Lite 進行試驗，然后選擇最適合您用例的版本。

* 整型量化模型的大小

** 在 Pixel 4 上使用 4 個 CPU 線程測量得出的延遲時間

*** 平均精度是 COCO 2017 驗證數(shù)據(jù)集上的 mAP（平均精度均值）

我們已將在 COCO 數(shù)據(jù)集上訓(xùn)練的 EfficientDet-Lite 模型發(fā)布到 TensorFlow Hub。您還可以使用自己的訓(xùn)練數(shù)據(jù)，通過 TensorFlow Lite Model Maker 訓(xùn)練 EfficientDet-Lite 自定義模型。

TensorFlow Hub

https://hub.tensorflow.google.cn/s？q=efficientdet/lite

TensorFlow Lite Model Maker：幾行代碼使用遷移學習訓(xùn)練自定義目標檢測模型

TensorFlow Lite Model Maker 是 Python 庫，可顯著簡化使用自定義數(shù)據(jù)集訓(xùn)練機器學習模型的過程。該庫利用遷移學習，僅使用少量圖像即可訓(xùn)練高質(zhì)量模型。

TensorFlow Lite Model Maker

http://tensorflow.google.cn/lite/guide/model_maker

Model Maker 接受 PASCAL VOC 格式和 Cloud AutoML 的 CSV 格式的數(shù)據(jù)集。和使用 LabelImg 或 makesense.ai 等開源 GUI 工具創(chuàng)建自己的數(shù)據(jù)集一樣，每位開發(fā)者都可以創(chuàng)建用于 Model Maker 的訓(xùn)練數(shù)據(jù)，且無需編寫任何代碼。

CSV

https://cloud.google.com/vision/automl/object-detection/docs/csv-format

LabelImg

https://github.com/tzutalin/labelImg

makesense.ai

https://github.com/SkalskiP/make-sense

獲得訓(xùn)練數(shù)據(jù)后，您就可以開始訓(xùn)練自定義的 TensorFlow Lite 目標檢測模型了。

# Step 1： Choose the model architecture

spec = model_spec.get（‘efficientdet_lite2’）

# Step 2： Load your training data

train_data， validation_data， test_data = object_detector.DataLoader.from_csv（‘gs://cloud-ml-data/img/openimage/csv/salads_ml_use.csv’）

# Step 3： Train a custom object detector

model = object_detector.create（train_data， model_spec=spec， validation_data=validation_data）

# Step 4： Export the model in the TensorFlow Lite format

model.export（export_dir=‘。’）

# Step 5： Evaluate the TensorFlow Lite model

model.evaluate_tflite（‘model.tflite’， test_data）

查看此 Codelab 了解詳情。

Codelab

http://tensorflow.google.cn/lite/tutorials/model_maker_object_detection

TensorFlow Lite Task Library：使用幾行代碼在移動設(shè)備上部署目標檢測模型

TensorFlow Lite Task Library 是跨平臺庫，它簡化了 TensorFlow Lite 模型在移動設(shè)備上的部署。使用 TensorFlow Lite Model Maker 訓(xùn)練的自定義目標檢測模型只需使用幾行 Kotlin 代碼即可部署到 Android 應(yīng)用：

// Step 1： Load the TensorFlow Lite model

val detector = ObjectDetector.createFromFile（context， “model.tflite”）

// Step 2： Convert the input Bitmap into a TensorFlow Lite‘s TensorImage object

val image = TensorImage.fromBitmap（bitmap）

// Step 3： Feed given image to the model and get the detection result

val results = detector.detect（image）

您可參閱一下文檔，了解有關(guān) Task Library 中，包括如何配置最小檢測閾值或最大檢測對象數(shù)量等更多自定義選項信息。

文檔

https://tensorflow.google.cn/lite/inference_with_metadata/task_library/object_detector

TensorFlow Lite Metadata Writer API：

用于簡化使用 TensorFlow Object Detection API 訓(xùn)練的自定義模型的部署

Task Library 依賴 TensorFlow Lite 模型中捆綁的模型元數(shù)據(jù)來執(zhí)行必要的預(yù)處理和后處理邏輯，以便使用該模型來運行推理。這其中包括如何將輸入圖像歸一化，或如何將類 ID 映射到可人工讀取的標簽。因為使用 Model Maker 訓(xùn)練的模型會默認包含此類元數(shù)據(jù)，所以它能夠與 Task Library 兼容。但是，如果您使用除 Model Maker 以外的訓(xùn)練流水線，來訓(xùn)練 TensorFlow Lite 目標檢測，則可以使用 TensorFlow Lite Metadata Writer API 來添加元數(shù)據(jù)。

模型元數(shù)據(jù)

https://tensorflow.google.cn/lite/convert/metadata

例如，如果您使用 TensorFlow Object Detection API 來訓(xùn)練模型，則可以使用以下 Python 代碼將元數(shù)據(jù)添加到 TensorFlow Lite 模型：

LABEL_PATH = ’label_map.txt‘

MODEL_PATH = “ssd_mobilenet_v2_fpnlite_640x640_coco17_tpu-8/model.tflite”

SAVE_TO_PATH = “ssd_mobilenet_v2_fpnlite_640x640_coco17_tpu-8/model_with_metadata.tflite”# Step 1： Specify the preprocessing parameters and label file

writer = object_detector.MetadataWriter.create_for_inference（

writer_utils.load_file（MODEL_PATH）， input_norm_mean=［0］，

input_norm_std=［255］， label_file_paths=［LABEL_PATH］）

# Step 2： Export the model with metadata

writer_utils.save_file（writer.populate（）， SAVE_TO_PATH）

在示例中，我們指定歸一化參數(shù) （input_norm_mean=［0］， input_norm_std=［255］） ，以便將輸入圖像歸一化到 ［0..1］ 范圍內(nèi)。您需要指定與模型訓(xùn)練期間使用的預(yù)處理邏輯中相同的歸一化參數(shù)。

歸一化

http://tensorflow.google.cn/lite/convert/metadata#normalization_and_quantization_parameters

參閱此 Colab，獲取有關(guān)如何將使用 TensorFlow Object Detection API 訓(xùn)練的模型轉(zhuǎn)換為 TensorFlow Lite 模型并添加元數(shù)據(jù)的完整教程。

Colab

https://colab.research.google.com/github/tensorflow/models/blob/master/research/object_detection/colab_tutorials/convert_odt_model_to_TFLite.ipynb

未來計劃

我們的目標是讓每位開發(fā)者（無論是否具備機器學習專業(yè)知識）都能更輕松使用機器學習。目前，我們正在與 TF Model Garden 團隊合作，希望推出更多適用于 Model Maker 的目標檢測模型架構(gòu)。

未來，我們還將繼續(xù)與 Google 研究人員合作，通過 Model Maker 提供更多面向未來的更優(yōu)秀的目標檢測模型，縮短從前沿研究到投入實際應(yīng)用并且供所有開發(fā)者使用的整個流程。敬請關(guān)注更多動態(tài)！

編輯：jq