Google выпустили дополнения к Tensorflow Object Detection API

Обновления включают новые модели класса SSD, которые оптимизированы для ускоренного обучения на облачных TPU, и готовые веса для них. Теперь обучение модели RetinaNet на основе ResNet-50 на датасете COCO для достижения 35% mAP занимает 3,5 часа. Также поддерживается ускоренный вывод через квантование и упрощённый экспорт модели на мобильный с TensorFlow Lite.

Написал Джонатан Хуанг, ученый и Вивек Rathod, Инженер-программист, Гугл АИ восприятия В прошлом году мы объявили о TensorFlow обнаружения объектов в API, и с тех пор мы выпустили ряд новых функций, таких как модели с помощью нейронных архитектуры поиска, экземпляр сегментация поддержку и моделей, обученных на новые наборы данных, такие как открытые изображения. Мы были поражены тем, как он используется – от поиска неплательщиков на улицах Нью-Йорка для диагностики заболеваний на кассава растения в Танзании.

• Поддержка ускоренной подготовки объекта обнаружения модели через облако TPUs
• Улучшение мобильного развертывания процесс, ускоряя выведение и легко экспортировать модель на мобильный с TensorFlow Лайт формате
• Несколько определений архитектуры новых моделей, включая
  • RetinaNet (Лин и др., 2017)
  • На сайт mobilenet адаптации RetinaNet
  • Роман ССД-ориентированную архитектуру называют объединение Пирамида сети (ППН), чья модель размер в 3 раза меньше, чем у ССД сайт mobilenet v1 с минимальными потерями в точности.

Кроме того, мы выпускаем подготовленных весов для каждой из вышеперечисленных моделей, основанных на Коко набора данных. Ускоренное обучение через облако TPUs Пользователи тратят много времени на оптимизацию гиперпараметров и переобучение моделей обнаружения объектов, поэтому быстрое изменение времени на эксперименты имеет решающее значение. Модели, выпущенные сегодня относятся к одним выстрелом детектор (ССД) класса архитектур, которые оптимизированы для обучения на облаке TPUs. Например, мы можем теперь обучить ResNet-50 на основе RetinaNet модель для достижения 35% средней точности (карта) на Коко данных в < 3,5 часа.

Ускоряется вывод через Квантование и TensorFlow Лайт Чтобы лучше поддерживать низкий уровень задержки требования в мобильных и встраиваемых устройствах, моделей мы предоставляем теперь совместимым с TensorFlow Лайт, которая позволяет на устройстве машинного обучения вывод с низкой задержкой и небольшой размер бинарного файла. Как часть этого, мы реализовали: (1) Модель квантования и (2) обнаружение-конкретные операции изначально в TensorFlow Лайт. Наши модели квантования следует стратегии, изложенной в Иакове и соавт. (2018) и техническое описание на Krishnamoorthi (2018), который применяет квантование как к модельным весам, так и к активациям при обучении и времени вывода, давая более мелкие модели, которые работают быстрее.

Квантованные модели обнаружения быстрее и меньше (например, quantized 75% глубина-уменьшенная модель SSD Mobilenet работает при fps >15 на Пикселе 2 CPU с 4.2 Mb footprint) с минимальной потерей в точности обнаружения по сравнению с полной моделью с плавающей точкой.

Попробуйте сами с Новым учебником! Чтобы начать обучение свою модель на облаке TPUs, ознакомьтесь с нашим новым учебником! Это пошаговое руководство проведет вас через процесс обучения quantized Pet Face detector на облаке TPU, а затем экспортирует его в телефон Android для вывода с помощью преобразования Tensorflow Lite. Мы надеемся, что эти новые дополнения помогут сделать высококачественные модели компьютерного зрения доступными для всех, кто хочет решить проблему обнаружения объекта, и обеспечить более бесшовный пользовательский опыт, от обучения модели с квантованием до экспорта в Модель Tensorflow Lite, готовую к развертыванию на устройстве. Мы хотели бы поблагодарить всех в сообществе, кто внес свой вклад функции и исправления ошибок. Как всегда, вклады в кодовую базу приветствуются,и, пожалуйста, следите за обновлениями!

Телеграм: t.me/ainewsline

Источник: ai.googleblog.com

Комментарии: