Google发布了tf od api的新版本,它现在支持Tensorflow 2.x,这是一个我们一直在等待的巨大改进!
简介
目标检测(OD)改进是由工业界广泛采用该技术所推动的。汽车制造商使用目标检测来帮助车辆自主驾驶道路,医生使用它改进诊断过程,农民使用它来检测各种农作物疾病等等,当然还有许多其他的使用案例(尚未发现),OD可以提供巨大的工业价值。
Tensorflow是一个深度学习框架,为自然语言处理(NLP)、语音合成、语义分割和目标检测等领域的许多最先进(SOTA)模型提供了支持。tf od api是一个开源的目标检测模型集合,它被深度学习爱好者和该领域的不同专家使用。
现在,让我们看看新的tf od api提供了哪些东西?
新的TF OD API
新的TF2 OD API引入了Eager执行,使得对象检测模型的调试更加容易,同时它还包括TF2 Model Zoo支持的新的SOTA模型。新的OD API是向后兼容的,所以如你仍然可以使用TF1,尽管官方强烈建议切换到TF2。
除了包含在TF1 Model Zoo中的SSD (MobileNet/ResNet),Faster R-CNN (ResNet/Inception ResNet),和Mask R-CNN模型等模型,TF2 Model Zoo引入了新的SOTA模型,如CenterNet, ExtremeNet,和EfficientDet。
TF2 OD API Model Zoo 中的模型是在COCO 2017数据集上预训练的,如果你对数据集中已经包含的类别感兴趣,可以在新的数据集中进行训练时用预训练模型初始化你的模型。预训练模型对于开箱即用的推断很有用。
使用TF OD API模型而不是自己实现SOTA模型可以让你有更多的时间去关注数据,这是实现OD模型高性能的另一个关键因素,然而,即使你决定自己构建模型,TF OD API模型也提供了一个很好的性能基准测试!
根据你的要求,你可以从一长串不同型号中进行选择(速度与精度):
在上表中,你可以看到表中只给出了COCO的平均 mAP 度量。尽管对于模型的性能来说,这是一个相当好的方向,但是如果你对模型在不同大小或不同类型的对象上的执行情况感兴趣,那么附加的统计信息可能是非常有用的,例如,如果你对开发高级驱动辅助系统(ADAS)感兴趣,那么你并不真正关心检测器检测香蕉的能力是否不好!
在本文中,我们将重点解释如何对TF2 Model Zoo中现成的、经过预训练的EfficientDet模型进行详细评估。
EfficientDets OD模型
EfficientDet是一种与RetinaNet模型非常相似的单次探测器,它有几个改进的地方:EfficientNet backbone、weighted bi-directional feature pyramid network (BiFPN)和复合缩放方法。
BiFPN是非常流行的FPN改进版本,该算法在反复应用自顶向下和自下而上的多尺度特征融合的同时,学习表示不同输入特征重要性的权重。