谷歌又為目標(biāo)檢測(cè)API進(jìn)行了升級(jí)，最新的能力包括哪些方面？

自從去年TensorFlow Object Detection API發(fā)布以來(lái)，谷歌團(tuán)隊(duì)不斷擴(kuò)充其性能，除了通過(guò)神經(jīng)架構(gòu)搜索和實(shí)例分割來(lái)提高模型的學(xué)習(xí)能力，還用如Open Images 等不斷出現(xiàn)的新數(shù)據(jù)集來(lái)訓(xùn)練模型。它在世界范圍內(nèi)被用于各種各樣的任務(wù)中，從城市街頭中的異常行為檢測(cè)，到茂密叢林里的植物識(shí)別都有著它的身影。

近日，為了不斷擴(kuò)充和壯大這一API的能力，谷歌又為目標(biāo)檢測(cè)API進(jìn)行了升級(jí)，最新的能力包括以下幾個(gè)方面：

支持通過(guò)谷歌云TPUs來(lái)對(duì)模型訓(xùn)練進(jìn)行加速；

通過(guò)加速推理和基于TF-Lite格式的模型導(dǎo)出來(lái)提升移動(dòng)端的部署能力；

加入了很多新的架構(gòu)，包括：

RetinaNet;

MobileNet版本的RetinaNet；

新型的SSD架構(gòu)PoolingPyramidNetwork，縮小了三倍的大小。

同時(shí)還給出了每一個(gè)模型在coco數(shù)據(jù)集上的預(yù)訓(xùn)練權(quán)重供用戶(hù)使用。

通過(guò)云TPUs加速訓(xùn)練

用戶(hù)常常需要在大量的時(shí)間去調(diào)節(jié)一個(gè)模型的超參數(shù)，如果可以大幅節(jié)省訓(xùn)練時(shí)間將十分有意義。所以這次推出的基于SSD架構(gòu)的模型都針對(duì)TPUs進(jìn)行了優(yōu)化設(shè)計(jì)，利用強(qiáng)大的云服務(wù)你可以很快的訓(xùn)練出符合要求的網(wǎng)絡(luò)。舉個(gè)例子，希望將基于ResNet-50的RetinaNet在coco數(shù)據(jù)集上訓(xùn)練到35%mAP，通過(guò)TPUs云服務(wù)只需要不到3個(gè)半小時(shí)就夠了。

通過(guò)量化和TF-Lite加速推理

為了更好的支持移動(dòng)和嵌入式設(shè)備中低延時(shí)的需求，其中的模型提供了對(duì)于Tensorflow-lite的原生支持，這使得設(shè)備端的機(jī)器學(xué)習(xí)模型可以以更小的容量和更低的延時(shí)實(shí)現(xiàn)良好的表現(xiàn)。除此之外，新API還加入了模型量化以及對(duì)于檢測(cè)的原生操作。其中模型量化基于Jacob的論文和Krishnamoorthi的白皮書(shū)實(shí)現(xiàn)。

為了在有限大小下保證性能，工程師們不僅量化了權(quán)重，同時(shí)對(duì)激活也進(jìn)行了量化，實(shí)現(xiàn)了速度(大小)和精度的平衡。下圖展現(xiàn)了優(yōu)化后的模型在Pixel2的CPU上所測(cè)量得到的延時(shí)、模型大小和mAP值。可以發(fā)現(xiàn)，模型得到了大幅壓縮，速度幾乎提升了一倍(>15fps)，而精度只有略微下降。

如果你想上手試試的話(huà)，Tensorflow團(tuán)隊(duì)提供了一個(gè)詳細(xì)的教程。

https://medium.com/tensorflow/training-and-serving-a-realtime-mobile-object-detector-in-30-minutes-with-cloud-tpus-b78971cf1193

通過(guò)訓(xùn)練你甚至可以做出一個(gè)檢測(cè)家里小貓小狗的app安裝在自己手機(jī)上和朋友們分享。你可以通過(guò)colab來(lái)完成訓(xùn)練，或者也可以用為開(kāi)發(fā)者提供的docker來(lái)完成開(kāi)發(fā)。

通過(guò)手把手的教程你就可以做出一個(gè)很有趣的app，最終訓(xùn)練完成就會(huì)看到你的好伙伴被檢測(cè)出來(lái)啦：

下面是在訓(xùn)練過(guò)程中的主要步驟：

環(huán)境搭建(安轉(zhuǎn)相應(yīng)的庫(kù)和依賴(lài)文件，可以使用dockerfile完成一鍵安裝)

云配置（配置TPUs、存儲(chǔ)服務(wù)，基于gcloud和gsutil）

安裝Tensorflow + Object Detection

配置數(shù)據(jù)庫(kù)（轉(zhuǎn)換為T(mén)FRecoard來(lái)加速數(shù)據(jù)IO）并上傳存儲(chǔ)

使用checkpoint來(lái)進(jìn)行遷移學(xué)習(xí)加速訓(xùn)練

在云端訓(xùn)練量化模型

導(dǎo)出模型、在移動(dòng)端上部署并運(yùn)行。

TensorFlow團(tuán)隊(duì)希望通過(guò)更高效的API將高水平的視覺(jué)模型帶給更多希望解決檢測(cè)問(wèn)題的人使用，并為用戶(hù)提供從模型訓(xùn)練到移動(dòng)端部署的順滑體驗(yàn)。