开发 | 谷歌开源物体检测系统 API (附代码下载地址)

AI科技评论按:6月15号,谷歌在其“谷歌开源”博客(Google Open Source )中发表一篇名为《Supercharge your Computer Vision models with the TensorFlow Object Detection API》的文章,文中指出虽然谷歌的物体检测,图像识别机器学习系统很先进,但仍面临着很多挑战,比如如何提高识别精度。为此,谷歌将其物体检测系统代码开源,希望更多爱好者参与进来,共同推动研究领域的发展。AI科技评论对原文做了不改动愿意的整理编译:

在谷歌,有为计算机视觉开发的最灵活,最先进的机器学习(ML)系统,不仅可以用来改进产品和服务,还可以促进研究领域的进步。不过,在单个图像中创建精确的ML模型使其能够定位和识别多个对象仍然是该领域的一个核心挑战,谷歌投入了大量的时间训练和试验这些系统。

图中为其中的一个模型对图片中对象的识别检测效果

去年十月,谷歌内部的物体检测系统已达到了最先进水平,并在COCO检测挑战赛中排名第一。此后,该系统为大量研究期刊提供了结果。在一些谷歌产品中也已投入使用,如NestCam。在Street View中,街道名称,门牌号的检测,和在Image Search中都运用了相似的理念思想。

今天很高兴可以通过TensorFlow Object Detection API将代码开源给更大的研究社区。这个代码库是建立在TensorFlow上端的开源框架,使其构建,训练,展开物体检测模型变得容易。设计这一系统目的是为支持当前最佳的模型,同时允许快速探索和研究。第一个版本包含:

一个可训练的检测模型的集合,包括:

  • 带有MobileNets的SSD(Single Shot Multibox Detector)
  • 带有Inception V2的SSD
  • 带有Resnet 101的R-FCN(Region-based Fully Convolutional Networks)
  • 带有Resnet 101的 Faster RCNN
  • 带有Inception Resnet v2的Faster RCNN

上述每一个模型的冻结权重(在COCO的数据集上训练)可被运用进行推理。

一个Jupyter notebook 可通过我们的模型之一进行开箱推理

借助谷歌云实现便捷的本地训练脚本以及分布式训练和评估管道

SSD模型使用了轻量化的MobileNet,因此它可以轻而易举地实时在移动设备运行。在赢得COCO挑战赛中,谷歌使用了Fast RCNN模型,它需要更多的计算资源,同时结果也更为准确。

更多细节,请参看谷歌发表在CVPR 2017(https://arxiv.org/abs/1611.10012)的论文。

准备好开始了吗?

这些代码在计算机视觉应用中非常有用。谷歌希望这次开源能满足一部分人所需。也同时也欢迎更多能为代码库做贡献的人参与进来。现在,就可以下载代码,使用Jupyter notebook对图片中的物体进行识别。也可以使用Cloud ML训练自己的识别器了。

代码下载地址:https://github.com/tensorflow/models/tree/master/object_detection

Jupyter notebook:https://github.com/tensorflow/models/blob/master/object_detection/object_detection_tutorial.ipynb

Cloud ML:https://cloud.google.com/blog/big-data/2017/06/training-an-object-detector-using-cloud-machine-learning-engine

via Google; AI科技评论整理编译

原文发布于微信公众号 - AI科技评论(aitechtalk)

原文发表时间:2017-06-16

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏IT派

Python作为机器学习语言的老大,跟在它后面的语言都是谁?

Python 由于本身的易用优势和强大的工具库储备,成为了在人工智能及其它相关科学领域中最常用的语言之一。尤其是在机器学习,已然是各大项目最偏爱的语言。

1490
来自专栏人工智能头条

让机器搞懂100万种隐含语义,腾讯Peacock大规模主题模型首次全揭秘

1944
来自专栏AI研习社

谷歌开源物体检测系统 API (附代码下载地址)

AI 研习社按:近日,谷歌在其“谷歌开源”博客(Google Open Source )中发表一篇名为《Supercharge your Computer Vi...

4194
来自专栏AI

深度学习的未来

2017年7月18日星期二 由弗朗索瓦Chollet 在论文中。

21710
来自专栏专知

【干货】强化学习介绍

【导读】由于Alpha Go的成功,强化学习始终是人们谈论的焦点。现在Thomas Simonini在国外blog网站上发布了系列强化学习教程,以下是本系列的第...

1393
来自专栏ATYUN订阅号

“假脸”也能解锁手机怎么办?基于DNN的反欺骗机制

AiTechYun 编辑:xiaoshan.xiang ? 想象一下,只需要用你的脸对准摄像头,不需要指纹扫描或触摸,就能解锁手机。它只会在没有任何用户干预的情...

2674
来自专栏IT派

强化学习入门介绍

导语:近年以来,强化学习在人工智能所充当的角色越来越重要了,很多研究机构和大学都将强化学习与深度学习相结合打造高性能的系统。因此,本文注重描述强化学习的基本概念...

3528
来自专栏PPV课数据科学社区

机器学习43条军规:解密谷歌机器学习工程最佳实践

本文是对<Rules of Machine Learning: Best Practices for ML Engineering>一文的翻译+解读。看过我翻译...

3445
来自专栏量子位

Google开源模块化多任务训练库T2T,最近重要论文的模型全在里面

陈桦 编译自 Google Research Blog 量子位 报道 | 公众号 QbitAI Google Brain团队昨天发布的“一个模型学会一切”论文背...

2496
来自专栏大数据文摘

从基线模型开始:别担心,模型最开始都让人不忍直视

1195

扫码关注云+社区