谷歌又为目标检测API进行了升级，最新的能力包括哪些方面？

谷歌又为目标检测API进行了升级，最新的能力包括哪些方面？

支持通过谷歌云TPUs来对模型训练进行加速；

通过加速推理和基于TF-Lite格式的模型导出来提升移动端的部署能力；

加入了很多新的架构，包括：

RetinaNet;

MobileNet版本的RetinaNet；

同时还给出了每一个模型在coco数据集上的预训练权重供用户使用。

通过云TPUs加速训练

用户常常需要在大量的时间去调节一个模型的超参数，如果可以大幅节省训练时间将十分有意义。所以这次推出的基于SSD架构的模型都针对TPUs进行了优化设计，利用强大的云服务你可以很快的训练出符合要求的网络。举个例子，希望将基于ResNet-50的RetinaNet在coco数据集上训练到35%mAP，通过TPUs云服务只需要不到3个半小时就够了。

通过量化和TF-Lite加速推理

通过手把手的教程你就可以做出一个很有趣的app，最终训练完成就会看到你的好伙伴被检测出来啦：

下面是在训练过程中的主要步骤：

云配置（配置TPUs、存储服务，基于gcloud和gsutil）

安装Tensorflow + Object Detection

配置数据库（转换为TFRecoard来加速数据IO）并上传存储

使用checkpoint来进行迁移学习加速训练

在云端训练量化模型

导出模型、在移动端上部署并运行。

TensorFlow团队希望通过更高效的API将高水平的视觉模型带给更多希望解决检测问题的人使用，并为用户提供从模型训练到移动端部署的顺滑体验。

版权声明：本文内容由网络用户投稿，版权归原作者所有，本站不拥有其著作权，亦不承担相应法律责任。如果您发现本站中有涉嫌抄袭或描述失实的内容，请联系我们jiasou666@gmail.com 处理，核实后本网站将在24小时内删除侵权内容。