在TensorFlow的许多功能和工具中，隐藏着一个名为TensorFlow对象探测API（TensorFlow Object Detection API）的组件。正如它的名字所表达的，这个库的目的是训练一个神经网络，它能够识别一个框架中的物体。这个库的用例和可能性几乎是无限的。它可以通过训练来检测一张图像上的猫、汽车、浣熊等等对象。本文将用它来实现皮卡丘的检测。 TensorFlow对象检测API：https://github.com/tensorflow/models/tree/master/resea
TensorFlow对象检测API是一个建立在TensorFlow之上的开源框架，可以轻松构建，训练和部署对象检测模型。 到目前为止，API的性能给我留下了深刻的印象。在这篇文章中，我将API的对象设
是否能够更快地训练和提供对象检测模型？我们已经听到了这种的反馈，在今天我们很高兴地宣布支持训练Cloud TPU上的对象检测模型，模型量化以及并添加了包括RetinaNet和MobileNet改编的RetinaNet在内的新模型。本文将引导你使用迁移学习在Cloud TPU上训练量化的宠物品种检测器。
TensorFlow、Keras和PyTorch是目前深度学习的主要框架，也是入门深度学习必须掌握的三大框架，但是官方文档相对内容较多，初学者往往无从下手。本人从github里搜到三个非常不错的学习资源，并对资源目录进行翻译，强烈建议初学者下载学习，这些资源包含了大量的代码示例（含数据集），个人认为，只要把以上资源运行一次，不懂的地方查官方文档，很快就能理解和运用这三大框架。
校园视频AI分析识别算法通过分布式TensorFlow模型训练，校园视频AI分析识别算法对学生的行为进行实时监测，当系统检测到学生出现打架、翻墙、倒地、抽烟等异常行为时算法将自动发出警报提示。在做算法模型训练过程中，深度学习应用到实际问题中，一个非常棘手的问题是训练模型时计算量太大。为了加速训练，TensorFlow可以利用GPU或/和分布式计算进行模型训练。TensorFlow可以通过td.device函数来指定运行每个操作的设备，这个设备可以是本设备的CPU或GPU，也可以是远程的某一台设备。TF生成会话的时候，可愿意通过设置tf.log_device_placemaent参数来打印每一个运算的设备。
计算机视觉正在彻底改变医学成像。算法正在帮助医生识别可能错过的十分之一的癌症患者。甚至有早期迹象表明胸部扫描可有助于COVID-19的识别，这可能有助于确定哪些患者需要进行实验室检查。
在本节中，您将基于从上一节中获得的理解，并开发更新的概念并学习用于动作识别和对象检测的新技术。 在本节中，您将学习不同的 TensorFlow 工具，例如 TensorFlow Hub，TFRecord 和 TensorBoard。 您还将学习如何使用 TensorFlow 开发用于动作识别的机器学习模型。
在 TensorFlow 众多功能和工具中，有一个名为 TensorFlow 目标检测 API 的组件。这个库的功能正如它的名字，是用来训练神经网络检测视频帧中目标的能力，比如，一副图像。
在上面的架构中，有六个模块。标记、训练、保存模型、OCR和模型管道，以及RESTful API。但是本文只详细介绍前三个模块。过程如下。首先，我们将收集图像。然后使用python GUI开发的开源软件图像标注工具对图像进行车牌或号牌的标注。然后在对图像进行标记后，我们将进行数据预处理，在TensorFlow 2中构建和训练一个深度学习目标检测模型(Inception Resnet V2)。完成目标检测模型训练过程后，使用该模型裁剪包含车牌的图像，也称为关注区域（ROI），并将该ROI传递给Python中的 Tesserac API。使用PyTesseract，我们将从图像中提取文本。最后我们将所有这些放在一起，并构建深度学习模型管道。在最后一个模块中，将使用FLASK Python创建一个Web应用程序项目。这样，我们可以将我们的应用程序发布供他人使用。
这篇文章是“用Tensorflow和OpenCV构建实时对象识别应用”的后续文章。具体来说，我在自己收集和标记的数据集上训练了我的浣熊检测器。完整的数据集可以在我的Github repo上看到。 看一
最近，TensorFlow 提供了中文版的教程（Tutorials）和指南（Guide）。
本文介绍了一种使用TensorFlow物体检测API寻找特定人物位置的方法。首先，作者通过创建一个包含目标人物位置信息的二维图像，然后使用TensorFlow物体检测API训练一个CNN模型，将图像中的目标人物识别出来。该模型可以用于在其它图像中定位和识别特定人物，具有较好的精度和实时性。
你好，欢迎阅读 TensorFlow 目标检测 API 迷你系列。 这个 API 可以用于检测图像和/或视频中的对象，带有使用边界框，使用可用的一些预先训练好的模型，或者你自己可以训练的模型（API 也变得更容易）。
计算机视觉是理解或操纵图像和视频的科学。 计算机视觉具有许多应用，包括自动驾驶，工业检查和增强现实。 深度学习在计算机视觉中的使用可以分为多个类别：图像和视频中的分类，检测，分割和生成。 在本书中，您将学习如何为计算机视觉应用训练深度学习模型并将其部署在多个平台上。 我们将在本书中使用 TensorFlow，这是一个用于深入学习的流行 python 库，用于示例。 在本章中，我们将介绍以下主题：
谷歌于2019年3月6日和7日在其年度TensorFlow开发者峰会上发布了最新版本的TensorFlow机器学习框架。这一新版本使用TensorFlow的方式进行了重大改进。TensorFlow拥有最大的开发者社区之一，从机器学习库到完善的机器学习生态系统已经走过了漫长的道路。
机器学习通常涉及在训练期间可视化和度量模型的性能。有许多工具可用于此任务。在本文中，我们将重点介绍 TensorFlow 的开源工具套件，称为 TensorBoard，虽然他是TensorFlow 的一部分，但是可以独立安装，并且服务于Pytorch等其他的框架。
本书的这一部分将为您简要概述 TensorFlow 2.0 中的新增功能，与 TensorFlow 1.x 的比较，惰性求值和急切执行之间的差异，架构级别的更改以及关于tf.keras和Estimator的 API 使用情况。
本文属于介绍性文章，其中会介绍许多TensorFlow的新feature和summit上介绍的一些有意思的案例，文章比较长，可能会花费30分钟到一个小时
如何安装tensorflow object detection API框架，看这里：
最近在深度学习算法和硬件性能方面的最新进展使研究人员和公司在图像识别，语音识别，推荐引擎和机器翻译等领域取得了巨大的进步。六年前，首次机器在视觉模式识别方面的表现首次超过人类。两年前，Google Brain团队发布了TensorFlow，让深度学习可以应用于大众。TensorFlow超越了许多用于深度学习的复杂工具。 有了TensorFlow，你可以访问具有强大功能的复杂特征。它之所以如此强大，是因为TensorFlow的易用性非常好。 本文由两部分组成，我将介绍如何快速创建用于实际图像识别的卷积神经网络
深度学习提供了另一种解决“Wally在哪儿”（美国漫画）问题的方法。与传统的图像处理计算机视觉方法不同的是，它只使用了少量的标记出Wally位置的示例。 在我的Github repo上发布了具有评估图像和检测脚本的最终训练模型。 Github repo地址：https://github.com/tadejmagajna/HereIsWally 这篇文章描述了使用Tensorflow目标检测API来训练神经网络的过程，并使用围绕它构建的Python脚本来寻找Wally。它由以下步骤组成： 通过创建一组标记训练
本文介绍了TensorFlow的基础知识，从TensorFlow的诞生、特点、架构、使用等方面进行描述，并通过一个简单的例子展示了如何使用TensorFlow进行深度学习。
TensorFlow 模型还可用于在移动和嵌入式平台上运行的应用。 TensorFlow Lite 和 TensorFlow Mobile 是资源受限移动设备的两种 TensorFlow。与 TensorFlow Mobile 相比，TensorFlow Lite 支持功能的子集。由于较小的二进制大小和较少的依赖项，TensorFlow Lite 可以获得更好的表现。
2019 年 3 月 6 日，谷歌在 TensorFlow 开发者年度峰会上发布了最新版的 TensorFlow 框架 TensorFlow2.0 。新版本对 TensorFlow 的使用方式进行了重大改进，使其更加灵活和更具人性化。具体的改变和新增内容可以从 TensorFlow 的官网找到，本文将介绍如何使用 TensorFlow2.0 构建和部署端到端的图像分类器，以及新版本中的新增内容，包括：
tensorflow object detection api一个框架，它可以很容易地构建、训练和部署对象检测模型，并且是一个提供了众多基于COCO数据集、Kitti数据集、Open Images数据集、AVA v2.1数据集和iNaturalist物种检测数据集上提供预先训练的对象检测模型集合。
这一次我们讲讲keras这个简单、流行的深度学习框架，一个图像分类任务从训练到测试出结果的全流程。
anaconda或者pip安装tensorflow，tensorflow只支持win7 64系统，本人使用tensorflow1.5版本
如果你在读这篇文章，那么你可能已经开始了自己的深度学习之旅。如果你对这一领域还不是很熟悉，那么简单来说，深度学习使用了「人工神经网络」，这是一种类似大脑的特殊架构，这个领域的发展目标是开发出能解决真实世界问题的类人计算机。为了帮助开发这些架构，谷歌、Facebook 和 Uber 等科技巨头已经为 Python 深度学习环境发布了多款框架，这让人们可以更轻松地学习、构建和训练不同类型的神经网络。本文将详细介绍和比较两种流行的框架： TensorFlow 与 PyTorch。
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
安妮 编译自 Google Research Blog 量子位 出品 | 公众号 QbitAI 今天，谷歌发布了一系列TensorBoard API，开发者可在TensorBoard中添加自定义的可视化插件，实现自定义可视化效果。同时，谷歌还升级了TensorBoard的仪表盘。 API获取地址： https://github.com/tensorflow/tensorboard-plugin-example/blob/master/README.md 这些API有何特点？谷歌背后的目的何在？我们不妨一探究
作者 | Hannes Knobloch 来源 | codeingschool 编辑 | 代码医生团队 可以在GitHub上找到这个项目的源代码： https://github.com/dsr-18/
通过使用金字塔池化模块(Pyramid Pooling Module)，在整合基于不同区域的上下文后，PSPNet在效果上超过了FCN、DeepLab和DilatedNet等时下最佳的方法。
迁移学习指的是，通过对预训练模型的参数进行微调，将训练好的模型应用到相似或者只有细微差异的不同任务中。通过这个方法，我们可以基于一些性能顶尖的深度学习模型得到别的高性能模型。尽管听上去较为简单，迁移学习仍然在预处理、搭建和测试上有很多的研究空间。
作者 | 王清 TensorFlow基础使用 环境准备 TensorFlow安装 常用Python库介绍 实例解析 Kaggle平台及Titanic题目介绍 代码解析 TensorBoard 可视化 传统机器学习的优化技巧 数据可视化 特征工程 经典机器学习算法模型 TFLearnKeras介绍及示例程序解析 环境准备 TensorFlow安装 官方文档：https://www.tensorflow.org/install/ 常用Python库介绍 NumPy (http://www.numpy.org
选自GitHub 机器之心编译 参与：路雪 这套资源可以通过示例让你轻松学习 TensorFlow。至于可读性，它可以作为包括笔记本和注释的源代码教程，适合想寻找清晰准确的 TensorFlow 示例的初学者。除了传统的「原始」TensorFlow 实现之外，你还可以找到最新的 TensorFlow API 实践（如层、估计器、数据集等）。 链接：https://github.com/aymericdamien/TensorFlow-Examples 最近一次更新（2017.08.27）：本教程推荐使用 T
导读 何恺明大神的论文Mask R-CNN 获得ICCV最佳论文 ，而关于这篇论文的TensorFlow\Pytorch\Keras实现相继开源出来，让我们来看下。 摘要 我们提出了一个概念上简单、灵
【新智元导读】文本将介绍一些 TensorFlow 的操作技巧，旨在提高你的模型性能和训练水平。文章将从预处理和输入管道开始，覆盖图、调试和性能优化的问题。 预处理和输入管道 保持预处理干净简洁 训练一个相对简单的模型也需要很长时间？检查一下你的预处理！任何麻烦的预处理（比如将数据转换成神经网络的输入），都会显著降低你的推理速度。对于我个人来说，我会创建所谓的“距离地图”（distant map），也就是用于“深层交互对象选择”的灰度图像作为附加输入，使用自定义python函数。我的训练速度最高是每秒大约处
Object Detection with YOLO: Hands-on Tutorial - neptune.ai
anaconda或者pip安装tensorflow，tensorflow只支持win7 64系统，本人使用tensorflow1.5版本（pip install tensorflow==1.5）
摘要 我们提出了一个概念上简单、灵活和通用的用于目标实例分割（object instance segmentation）的框架。我们的方法能够有效地检测图像中的目标，同时还能为每个实例生成一个高质量的
深度学习是一种新兴的技术，已经在许多领域中得到广泛的应用，如计算机视觉、自然语言处理、语音识别等。在深度学习中，深度学习框架扮演着重要的角色。Tensorflow是一种广泛使用的深度学习框架，已经成为深度学习的事实标准。Tensorflow2是Tensorflow的最新版本，它在许多方面都有所改进，并且更加易于使用。
打开标注工具PixelAnnotation 选择好dataset路径之后，顺序开始标注数据即可！
本章介绍如何设置开发环境，以使用 TensorFlow 构建所有 iOS 或 Android 应用，本书其余部分对此进行了讨论。 我们不会详细讨论可用于开发的所有受支持的 TensorFlow 版本，OS 版本，Xcode 和 Android Studio 版本，因为可以在 TensorFlow 网站或通过 Google。 相反，我们将在本章中简要讨论示例工作环境，以便我们能够快速了解可使用该环境构建的所有出色应用。
AI科技评论按：本文是介绍用TensorFlow构建图像识别系统的第三部分。 在前两部分中，我们构建了一个softmax分类器来标记来自CIFAR-10数据集的图像，实现了约25-30％的精度。 因为有10个不同可能性的类别，所以我们预期的随机标记图像的精度为10％。25-30％的结果已经比随机标记的结果好多了，但仍有很大的改进空间。在这篇文章中，作者Wolfgang Beyer将介绍如何构建一个执行相同任务的神经网络。看看可以提高预测精度到多少！AI科技评论对全文进行编译，未经许可不得转载。 关于前两部分
是用于普通物体识别的小型数据集，一共包含 10个类别 的 RGB彩色图片（包含：（飞机、汽车、鸟类、猫、鹿、狗、蛙、马、船、卡车）。图片大小均为 3232像素*，数据集中一共有 50000 张训练图片和 1000 张测试图片。部分代码来自于tensorflow官方，以下表格列出了所需的官方代码。
本文介绍了如何可视化Google Inception V3模型的网络结构，并使用TensorBoard进行模型的分析和可视化。首先介绍了Inception V3模型的基本情况和应用，然后使用TensorFlow实现了模型的导入和可视化。通过TensorBoard可以查看模型的各个层的参数和激活情况，并可以查看每个卷积核的尺寸和数量等。通过这些可视化手段，可以更方便地理解和调试模型的网络结构，从而更好地应用模型进行图像分类等任务。
对于学习数据科学的同学来说，从头开始实现神经网络，会让你理解很多有趣的东西。但是，我并不认为在真实数据集上构建深度学习模型是个明智的做法，除非你有数天或数周的时间来等待模型的构建。那么对于绝大部分无法获得无限资源的人来说，使用易于使用的开源深度学习框架，我们可以立即实现如卷积神经网络这样的复杂模型。
领取专属 10元无门槛券
手把手带您无忧上云
云服务器
即时通信 IM
ICP备案
对象存储
实时音视频
