兼容性Up！Object Detection API 现已支持 TensorFlow 2

磐创AI分享

来源 | TensorFlow

作者 | Vivek Rathod 和 Jonathan Huang，Google Research

正如我们在今年早些时候举办的 TensorFlow 开发者峰会上所述，我们正在打造更具兼容性的 TF 生态系统，这样您就能够将喜爱的库和模型与 TF 2.x 一起搭配使用。今天，我们很高兴地宣布，TF Object Detection API (OD API) 现已正式支持 TensorFlow 2！

• TF Object Detection API https://github.com/tensorflow/models/tree/master/research/object_detection

过去一年间，我们对 TF Object Detection API 模型进行了迁移，以便能兼容 TensorFlow 2。如果您经常访问 Object Detection API GitHub 代码库，那么您很可能已经看到过部分新模型。我们的代码库提供 Keras 的深度集成、可访问的分布策略以及方便 Eager Execution 调试；所有能想到的小惊喜均可在 TensorFlow 2 代码库中找到。

• TensorFlow 2 https://tensorflow.google.cn/guide/effective_tf2
• Object Detection API GitHub 代码库https://github.com/tensorflow/models/tree/master/research/object_detection

具体而言，此版本包含以下内容：

• 兼容 Eager 模式的全新训练、评估、导出二进制文件。
• 一套与 TF2 兼容（基于 Keras）的模型；其中包括迁移后最热门的 TF1 模型（例如 SSD-MoblieNet、RetinaNet、Faster R-CNN 和 Mask R-CNN），以及一些只支持在 TF2 中实现的新架构：(1) CenterNet：基于 Zhou 等人发表的论文《将对象作为点》(Objects as Points) 得到的一种简单有效的无锚点架构；以及 (2) EfficientDet：近期由神经架构搜索发现得到的最前沿 (SOTA) 模型家族。
• COCO 预训练权重：可用于所有以基于对象的检查点（TF2 代码风格）形式提供的模型。
• 访问分布策略 (DistributionStrategies) 进行分布式训练：以往，TF1 模型主要依靠异步训练。而现在我们支持将同步训练作为主要策略；我们的 TF2 模型可使用同步多 GPU 和 TPU 平台进行训练。
• 与 Eager 模式兼容的小样本训练和推理的 Colab 演示。
• 对关键点估测的出色支持：包括多类估测、更多数据的增强支持、更好的可视化效果和 COCO 评估。
• 分布策略 https://tensorflow.google.cn/guide/distributed_training

如果您想立即尝试这些内容，建议您查看我们全新的 Colab 演示（适用于推理和小样本训练）。我们在其中加入了一个有趣的示例，是一个演示如何使用基于微调的小样本训练（仅使用五个示例图像！）来训练橡胶鸭子检测器的教程。

• 推理https://github.com/tensorflow/models/blob/master/research/object_detection/colab_tutorials/inference_tf2_colab.ipynb
• 小样本训练https://github.com/tensorflow/models/blob/master/research/object_detection/colab_tutorials/eager_few_shot_od_training_tf2_colab.ipynb

通过此次迁移，我们希望在继续支持 TF1 庞大用户群的同时，也可充分发挥 TF2 和 Keras 的优势。可能有很多团队正在努力执行类似的迁移项目，因此我们认为，有必要将我们的思维过程和方法分享出来。即使那些不使用 TensorFlow 对象检测模型的用户，也能从中获得帮助。

目前，使用我们的代码库的用户有三类：(1) 希望利用新功能（Eager 模式训练、分布策略）和新模型的新用户；(2) 想要迁移到 TF2 的现有 TF1 用户；以及 (3) 暂时不希望迁移的现有 TF1 用户。为支持所有的三类用户，我们制定了许多策略，以下是详细介绍：

• 同时在 TF1 和 TF2 中使用重构底层核心和元架构。我们意识到代码库中的绝大部分内容都可以在 TF1 和 TF2 之间共享（例如边界框算法、损失函数、输入流水线、可视化代码等）；我们已尽力确保代码能够无限制地在 TF1 或者 TF2 中运行。
• 将特征提取器/主干网络视为特定于 TF1 或 TF2 的对象。我们将继续维护通过 tf-slim 实现的 TF1 主干网络，并引入通过 Keras 实现的 TF2 主干网络。然后，根据用户运行的 TensorFlow 版本，启用或禁用这些模型。
• 利用由社区维护的现有主干网络实现。我们的模型依赖于 Keras 应用集合（一套由社区维护的封闭式架构）中的实现，而不是通过 Keras 来重新实现主干网络架构（例如 MobileNet 或 ResNet）。我们还验证了，新的 Keras 主干网络准确率能达到或者超出 tf-slim 主干网络（至少在 OD API 已有的模型中是这样的结果）。
• 增加单元测试范围，以覆盖 GPU/TPU、TF1 和 TF2。鉴于我们现在需要确保在多个平台（GPU 和 TPU）以及跨 TF 版本上的功能可用性，我们新设计了一个灵活的单元测试框架。该框架可以在所有四种设置 ({GPU, TPU}x{TF1, TF2}) 下测试 OD API，并且允许禁用某些测试（例如输入流水线未在 TPU 设置下测试）。
• 分离 TF1 和 TF2 的前端二进制文件（训练循环、导出器）。我们利用各种分布策略，以新的 TF2 训练和导出二进制文件的形式为 TF2 模型添加了一个单独的且能够在 Eager 模式下运行的入口点。
• 无需更改前端配置语言。为了让用户尽可能轻松地从 TF1 迁移到 TF2，我们努力确保，使用 OD API 配置语言的模型规范在 TF1 和 TF2 中能够产生同等的模型架构，并且不论模型在哪个 TF 版本中训练，都可达到相同的数值性能水平。例如，假设您有一个基于 ResNet-50 的 RetinaNet 模型配置，该模型可以使用 TF1 二进制文件进行训练。如果要使用 TF2 二进制文件来训练相同的模型，您只需在配置中简单更改特征提取器的名称即可（在这个例子中，将 ssd_resnet50_v1_fpn 改成 ssd_resnet50_v1_fpn_keras）；所有其他超参数规范将保持不变。
• tf-slim https://github.com/google-research/tf-slim
• Keras 应用 https://tensorflow.google.cn/api_docs/python/tf/keras/applications
• 分布策略 https://tensorflow.google.cn/guide/distributed_training

我们致力于增强 TF 生态系统中 TF2 的兼容性并简化其使用流程，本次发布只是我们研究过程中取得的进展之一。在接下来的几个月里，我们会继续将大型代码库从 TF1 迁移到 TF2。此外，我们正在致力于为研究人员提供集成度更高的端到端体验，如：更为易于使用的模型，我们即将迈出的第一步便是推出统一计算机视觉库，敬请期待。

与往常一样，您可以随时通过 GitHub 向我们提出问题和提供反馈。我们衷心感谢开源社区的开发者们提供的帮助。另外，如果此前您是 TensorFlow Object Detection API 的 TF1.x 用户，而 TF2 流水线尚不支持您非常喜欢的某个功能，那么我们建议您在 GitHub 上积极分享自己的想法与建议，这将有助于我们在继续发布功能/模型时确定优先级。

• GitHub https://github.com/tensorflow/models/issues

致谢

本次发布是 Google Research 中多个团队密切合作的成果。我们要着重说明以下人员所做的贡献：首先，特别感谢 Tomer Kaftan 和 Liangyanhui，他们是这个项目的发起者，并在起步阶段完成了大部分的繁重工作。其次，我们要感谢以下 OD API 的主要贡献者：Vighnesh Birodkar、Ronny Votel、Zhichao Lu、Yu-hui Chen、Sergi Caelles Prat、Jordi Pont-Tuset 和 Austin Myers。同时感谢许多其他贡献者，包括：Sudheendra Vijayanarasimhan、Sara Beery、Shan Yang、Anjali Sridhar、Karmel Allison、Allen Lavoie、Lu He、Yixin Shi、Derek Chow、David Ross、Pengchong Jin、Jaeyoun Kim、Jing Li、Mingxing Tan、Dan Kondratyuk 和 Tina Tian。最后，还要感谢以下实习生和参与“编程之夏”的学生所做的贡献：Kathy Ruan、Kaushik Shivakumar、Yiming Shi、Vishnu Banna、Akhil Chinnakotla 和 Anirudh Vegesana。