资源 | ChainerCV：基于Chainer的深度学习计算机视觉实用库（内含工具集）

选自GitHub

作者：二井谷勇佑（Yusuke Niitani）

机器之心编译

参与：黄小天、蒋思源

近日，Preferred Networks 通过其研究博客发布了深度学习计算机视觉实用库 ChainerCV，它基于 Chainer，能够简化计算机视觉的训练和应用过程，并含有用于计算机视觉研究的必备工具集。未来，ChainerCV 将会支持分类任务；其论文已被 ACM Multimedia 2017 开源软件竞赛接收，并很快在 arXiv 上开放。

我们发布了 ChainerCV，一个用于计算机视觉的深度学习实用库。这个库旨在通过 Chainer 简易化计算机视觉的训练和深度学习模型应用的过程。它包含计算机视觉模型的高质量实现，以及开展计算机视觉研究的必备工具集。

• GitHub 地址：https://github.com/chainer/chainercv
• 文档：http://chainercv.readthedocs.io/en/stable/

ChainerCV 支持的功能

计算机视觉模型的高质量实现

软件的质量通过文档和测试获得保证。除了那些传统的软件工程实践之外，对于想要尝试新想法的研发人员来说，一个与前沿论文性能一致的训练脚本同样重要。我们在 GitHub 上列举了实现的性能，其评估脚本可用于验证本地计算机上的分数。所有的实现都与原始报告的分数相一致。

我们的实现尽可能忠于参考实现。无论何时进行更改，文档中都会生成一个相应的评论。

当前，ChainerCV 提供了目标检测和语义分割模型（Faster R-CNN、SSD 和 SegNet）的实现。

简单易用的实现

在 ChainerCV 中执行推理非常容易。ChainerCV 具有大量的已训练权重，可在运行时自动从网络上下载，因此用户无需担心下载或者记住已训练权重的文件位置。同样，ChainerCV 提供了简单统一的界面，从而为解决相同任务的不同模型执行推理。例如，Faster R-CNN 和 SSD 都具备一个被称作「预测」的方法，它可以接收图像并返回物体检测的结果。

转换

ChainerCV 还提供了通用函数以在馈送到神经网络之前执行数据预处理。用户可以通过定义函数创建定制化的预处理流程，因此以描述转换输入数据的过程。

计算机视觉的研究工具

ChainerCV 包含了一组指导计算机视觉研究的工具：

• 为一般视觉数据集（如 PASCAL VOC 任务的目标识别数据集）而构建的数据集加载器
• 能用于数据预处理/数据增强的转换
• 可视化
• 一般度量方法的评估代码

可视化执行模型所得到的推理结果

在上图左侧，我们的物体检测模型推理出一个输出结果。该物体检测是一种带有物体定位的图像识别任务。上图右侧显示了输入图片和输出的语义分割图像。语义分割是一种像素级分类任务，它将整张图片按属性分割为不同的对象。

安装

$ pip install -U numpy
$ pip install chainercv

使用 Anaconda 安装 ChainerCV 的指南：http://chainercv.readthedocs.io/en/stable/#install-guide

环境要求

• Chainer 和其依赖项
• Pillow
• Cython（构建要求）

附加特征

• Matplotlib
• OpenCV

Python 2.7.12 和 3.6.0 下的环境已经获得测试。

主分支在稳定版（v2）和开发版（v3）都能运行

对于使用 Chainer v1 的用户，请使用 0.4.11 版本，我们可以使用命令行「pip install chainercv==0.4.11」安装该版本，但是该分支并没有进行维护。

使用 ChainerCV 的注意事项

计算机视觉上的数据很多都有不同的表征标准，例如色彩通道规则等。所以用户需要了解本软件库默认采用的规范就很重要了。ChainerCV 使用的全部约定可以在 Github 中的 README 页面中找到。

ChainerCV 未来的计划

• 计划未来能支持更广泛的任务，很快 ChainerCV 就能支持分类任务了。
• 计划提供在大数据集上训练的预训练模型，但这在有限的计算力下比较困难或比较耗时。
• ChainerCV 的论文已被 ACM Multimedia 2017 开源软件竞赛接收，并很快在 arXiv 上开放。

本文为机器之心编译，转载请联系本公众号获得授权。