作者 | Lu Wang、Chen Cen、Arun Venkatesan 和 Khanh LeViet
Google决定开源TensorFlow是为了让每个开发人员和研究人员都能方便地使用人工智能来解决多样化的现实问题。自开源以来,TensorFlow的下载次数超过了760万次,提交次数高达8万次,拉取请求13万余次,贡献者2400多名。
自深度学习重新获得公认以来,许多机器学习框架层出不穷,争相成为研究人员以及行业从业人员的新宠。从早期的学术成果 Caffe、Theano,到获得庞大工业支持的 PyTorch、TensorFlow,许多研究者面对大量的学习框架不知该如何选择?
谷歌从 17 年发布 MobileNets 以来,每隔一年即对该架构进行了调整和优化。现在,开发者们对 MobileNetV3 在一次进行了改进,并将 AutoML 和其他新颖的思想融入到该移动端的深度学习框架中。谷歌发布了相关文章对升级后的 MobileNetV3 进行了讲解,我们将其整理编译如下。
基于终端设备的机器学习(On-device machine learning)是实现具有隐私保护功能、能够时刻运转、快速响应的智能的重要组成部分。这就要求我们将基于终端的机器学习部署在算力有限的设备上,从而推动了从算法意义上来说高效的神经网络模型的研究,以及每秒可执行数十亿次数学运算却只需要消耗几毫瓦电力的硬件的发展。最近发布的「Google Pixel 4」就是这一发展趋势的代表。
内容来源:2018 年 3 月22 日,Google软件工程师刘仁杰在“OSCAR云计算开源产业大会”进行《TensorFlow in Deep Learing Applications》演讲分享。IT 大咖说(微信id:itdakashuo)作为独家视频合作方,经主办方和讲者审阅授权发布。 阅读字数:2714 | 7分钟阅读 摘要 本次演讲首先讨论TensorFlow的一些高阶API,然后介绍最新的Eager Execution模式和解决IO瓶颈的tf.data,还有移动端解决方案 TensorFlow
随着企业继续投资利用人工智能软件和平台功能的项目,预计全球在人工智能(AI)系统上的支出将保持强劲的增长轨迹。根据最近更新的国际数据公司(IDC)发布的《全球人工智能系统支出指南》里指出,到2023年,人工智能系统的支出将达到979亿美元,是2019年375亿美元支出的两倍半。同时IDC的专家表示:“人工智能(AI)已经远远超越了原型设计,进入了执行和实施阶段。“各行各业的战略决策者现在都在努力解决如何有效地进行AI规划的问题。
卷积神经网络(CNN)已被广泛用于图像分类、人脸识别、目标检测和其他领域。然而,为移动设备设计 CNN 是一项具有挑战性的工作,因为移动端模型需要体积小、速度快,还要保持精准。尽管人们已经做了大量努力来设计和改进移动端模型,如 MobileNet 和 MobileNetV2,但手动创建高效模型仍然是一项挑战,因为要考虑的因素太多。从最近 AutoML 神经架构搜索方面的进展受到启发,我们在想移动端 CNN 模型的设计是否也能受益于 AutoML 方法。
深度神经网络模型被广泛应用在图像分类、物体检测等机器视觉任务中,并取得了巨大成功。然而,由于存储空间和功耗的限制,神经网络模型在嵌入式设备上的存储与计算仍然是一个巨大的挑战。
整理 | 费棋 天体物理学家使用 TensorFlow 分析开普勒任务中的大量数据,以发现新的行星; 医学研究人员利用 TensorFlow 机器学习技术来评估一个人心脏病发作和中风的几率; 科学家在非洲用 TensorFlow 检测木薯植物疾病,从而提高产量并帮助更好地满足非洲大陆的粮食需求; …… 这是 TensorFlow 团队对过去一年来的总结,他们在诸多领域取得了进步。 北京时间 3 月 31 日凌晨,第二届 TensorFlow 开发者峰会开幕, TensorFlow 团队发布了多款新产品,
天体物理学家使用 TensorFlow 分析开普勒任务中的大量数据,以发现新的行星; 医学研究人员利用 TensorFlow 机器学习技术来评估一个人心脏病发作和中风的几率; 科学家在非洲用 TensorFlow 检测木薯植物疾病,从而提高产量并帮助更好地满足非洲大陆的粮食需求; …… 这是 TensorFlow 团队对过去一年来的总结,他们在诸多领域取得了进步。 北京时间 3 月 31 日凌晨,第二届 TensorFlow 开发者峰会开幕, TensorFlow 团队发布了多款新产品,旨在使开发者更易使用,以及让数据科学家使用多种方式构建 AI 模型。
呜啦啦啦啦啦啦啦大家好,本周的AI Scholar Weekly栏目又和大家见面啦!
MindStudio 提供一站式AI开发环境,依靠工具与性能调优,采用插件化扩展机制,打造高效、便捷的全流程开发工具链。目前最新版本是5.0.RC3,发布于2022年20月,对应的昇腾社区版本:6.0.RC1。新增众多特性,这里主要介绍两个我非常感兴趣的分析迁移和。
选自Medium 作者:Nicolas Bortolotti 机器之心编译 参与:黄小天、路雪 近日,一篇题为《Following Messi with TensorFlow and Object Detection》的教程文章展示了如何通过 TensorFlow 训练定制的目标检测模型,以专门定位和识别足球巨星梅西;同时作者也希望这一技术有助于催生出足球新战术,提升赛事水平。 我们之前曾把 TensorFlow 与目标检测模型结合使用,但使用的一直是预先设定的传统数据集,比如 COCO。这次的挑战将再高
我们非常高兴能够将训练后的 float16 quantization 作为模型优化工具包(Model Optimization Toolkit)的一部分。这套工具包括了:
说起打麻将我一直是处于比较业余并且不思进取的水平,各个地方的麻将规则不一,繁琐的规则也懒得放脑袋里记忆了,于是每次跟朋友打麻将都是现场临时约定规则,怎么简单怎么来,周边也有不少年轻的小伙伴我一样。
一直以来,大家最常用的目标检测库是港中文的mmdetection和Facebook的detectron2库,不过这两个库都是基于PyTorch的,PyTorch的模型部署方面还是稍差于TensorFlow,如果想用TensorFlow的目标检测模型,最好的还是选择还是谷歌官方的TF Object Detection库:
我一直在使用Tensorflow目标检测API,并对这些模型的强大程度感到惊讶。我想要分享一些API实际使用案例的性能。 Tensorflow目标检测API地址: https://github.com/tensorflow/models/tree/master/research/object_detection 第一个使用案例是更智能的零售结账体验。Amazon Go商店宣布后,这是一个热门领域。 为商店设计智能货架,追踪顾客从货架挑选的东西。我通过构建两个目标检测模型来做到这一点 — 一个的追踪手,用来追
我们常常有一个概念,SSD 等单阶段目标检测器很快,但准确性比不上 Mask R-CNN 等两阶段目标检测器,尽管两阶段目标检测推断速度要慢许多。那么有没有一种兼顾两者的目标检测器?设计这样的检测器又会出现什么挑战?这就是该论文作者所关心的。
AI 科技评论按:卷积神经网络(CNN)被广泛用于图像分类、人脸识别、物体检测以及其他许多任务中。然而,为移动设备设计 CNN 模型是一个有挑战性的问题,因为移动模型需要又小又快,同时还要保持足够的准确率。虽然研究人员们已经花了非常多的时间精力在移动模型的设计和改进上,做出了 MobileNet 和 MobileNetV2 这样的成果,但是人工设计高效的模型始终是很有难度的,其中有许许多多的可能性需要考虑。
现在人像分割技术就像当初的人脸检测算法一样,称为广泛使用的基础算法。今天本文介绍的人像留色其实就是三年前某 AI 巨头利用 video 分割技术展示的应用场景:人体区域保留彩色,人体区域之外灰度化。所以人像留色的关键技术在于高精度高性能的分割算法。
原标题 | Train Object Detection AI with 6 lines of code
今天本文介绍的人像留色其实就是三年前某 AI 巨头利用 video 分割技术展示的应用场景:人体区域保留彩色,人体区域之外灰度化。所以人像留色的关键技术在于高精度高性能的分割算法。
关于 pytorch 安装查看官方文档 PyTorch Get Started docs
2018 年 9 月 21 日 ,凌钰城(Google Brain 软件工程师)带来一场《TensorFlow Lite:TensorFlow在移动设备与嵌入式设备上的轻量级跨平台解决方案》的演讲,本文将对演讲做一个回顾。
计算机视觉是人工智能的一个重要领域。计算机视觉是一门关于计算机和软件系统的科学,可以让计算机对图像及场景进行识别和理解。计算机视觉还包括图像识别、目标检测、图像生成、图像超分辨率重建等分支领域。因为有众多的现实需求,目标检测可能是计算机视觉中最有价值的的领域。在本教程中,我会简要介绍目标检测的概念、开发者面临的挑战和我们提供的解决方案包括高效率的目标检测代码。
这是个模型非常小、号称目前最快的YOLO算法——大小只有1.3MB,单核每秒148帧,移动设备上也能轻易部署。
原文链接:https://ai.googleblog.com/2020/02/autoflip-open-source-framework-for.html
看完了代码,下面容我们聊聊目标检测背后的技术背景,并解读这10行Python代码的由来和实现原理。
计算机视觉是人工智能的一个重要领域,是关于计算机和软件系统的科学,可以对图像和场景进行识别、理解。计算机视觉还包括图像识别、目标检测、图像生成、图像超分辨率重建等多个领域。由于存在大量的实际需求,目标检测可能是计算机视觉中最有意义的领域。
大数据文摘作品 编译:Yanruo、小鱼 这是一份详细介绍了目标检测的相关经典论文、学习笔记、和代码示例的清单,想要入坑目标检测的同学可以收藏了! 在大数据文摘后台回复“目标检测”可打包下载全部论文~
本文翻译自:《Optimizing AI models for Arm Ethos-U NPUs using the NVIDIA TAO Toolkit》
在硬件设计领域,模块化设计是通用的设计准则,特别是大规模集成电路出现之后,硬件工程师并不需要从头设计,而是寻找合适的模块,将它们组合起来,完成所需的功能。软件设计领域也同样如此,比如Windows时代的COM组件、中间件,等等。当然,由于软件的灵活性和复杂性,无法做到像硬件领域集成度那么高,但这种思想始终会影响到软件设计方式。比如今天,做前端的软件设计人员,可能会在代码中用到JQuery、Bootstrap等框架。Android开发人员可能会使用Taurus、ActionBarSherlock、Android-Universal-Image-Loader之类的UI组件。
from imageai.Detection import ObjectDetection import os
这是TensorFlow Lite的实验端口,针对微控制器和其他只有千字节内存的设备。它不需要任何操作系统支持,任何标准的C或C ++库或动态内存分配,因此它的设计甚至可以移植到“裸机”系统。核心运行时在Cortex M3上适合16KB,并且有足够的运算符来运行语音关键字检测模型,总共占用22KB。
安妮 编译自 Google Research Blog 量子位 出品 | 公众号 QbitAI AutoML对开发者来说不是个陌生词汇了。 半年前Google I/O开发者大会上,谷歌推出能自动设计机
嵌入式系统作为一种集成了硬件与软件的计算系统,已经在各行各业发挥着至关重要的作用。然而,随着技术的不断发展,嵌入式系统也在经历着巨大的变革。本文将探讨嵌入式系统的未来发展趋势,着重介绍融合、边缘计算与智能化这三个方面,并通过代码实例来展示其中的一些关键技术。
过去的 2018 年,人工智能和机器学习都得到了蓬勃发展,在医疗保健、金融业、语音识别、增强现实等领域, 都能看到机器学习在其中「大展拳脚」。本文将回顾了去年最实用的六个机器学习项目,文中会附上他们的 GitHub 地址,方便大家观摩参阅。
作者:Prerna Khanna、Tanmay Srivastava、Kanishk Jeet
为电视和显示器拍摄制作的视频常常使用横向16:9或者4:3比例。然而越来越多的用户开始在移动设备上制作和观看视频,传统的画面比例并不能完美兼容。为此需要对视频画面进行剪裁,传统的做法涉及到静态剪裁,例如,选定好可视区域,然后把区域外的内容全部剪掉。不幸的是,由于构图种类和相机运动模式繁多,这种静态剪裁经常产出无法让人满意的结果。而其他特殊的做法,常常要求拍摄者手动确定每个画面的目标,并追踪他们在每帧间的转变,然后相应的剪裁掉多余的画面。这个过程是非常耗时、乏味且容易出错的。
机器之心编译 选自:GitHub 参与:路雪、刘晓坤 Luminoth 是一个开源的计算机视觉工具包,目前支持目标检测和图像分类,以后还会有更多的扩展。该工具包在 TensorFlow 和 Sonnet 上用 Python 搭建而成,易于使用、训练、理解结果。本文介绍了 Luminoth 及其安装过程。 GitHub 页面:https://github.com/tryolabs/luminoth Luminoth 是一个开源的计算机视觉工具包,目前支持目标探测和图像分类,但以后会有更多的扩展。该工具包在 T
在本教程中,我将向大家展示如何在Google AutoML中创建单个标签分类模型。我们将使用来自generate.photos的AI生成的面孔数据集。通过算法训练来判断一张脸是男性还是女性。之后,我们会将模型部署到云中,并创建该算法的Web浏览器版本。
领取专属 10元无门槛券
手把手带您无忧上云