谷歌更新TensorFlow目标检测API

去年谷歌发布了TensorFlow目标检测API[7]，从那以后陆续添加了很多新特性，比如Neural Architecture Search[1]的模型学习，支持实例分割[8]，在谷歌的超大数据集Open Images上训练的新模型等。

从此有很多有趣的应用被开发出来，比如在纽约街头寻找傻瓜（finding scofflaws on the streets of NYC[2]）,诊断坦桑尼亚木薯植物的疾病(diagnosing diseases on cassava plants in Tanzania[3])。

谷歌这次的更新又带来了哪些新特性呢？

1.支持通过Cloud TPU加速目标检测的训练；

2.通过加速推理，并使用TensorFlow Lite轻松将模型导出到移动设备，改进移动端部署流程；

3.添加几个新的模型架构：

3.1 RetinaNet (Lin et al., 2017)；

3.2 以MobileNet为特征提取骨干网的RetinaNet；

3.3 Pooling Pyramid Network(PPN)[4]-一种新的基于SSD的网络架构，它可以使模型以仅付出极小的精度损失的代价降低3倍的参数规模；

并发布了以上网络架构在COCO数据集上的已经训练好的模型！！！

Cloud TPUs的训练加速，对待调参侠要更好一点！

通常优化超参数和重新训练目标检测模型是极其耗时的，因此在实验中快速周转时间至关重要。以上发布的模型属于SSD类架构，这些架构针对Cloud TPUs的训练进行了优化。例如，训练基于ResNet-50的RetinaNet模型，可以在3.5小时内在COCO数据集上实现35％的mAP。

模型量化和TensorFlow lite的推理加速，因为知道你的痛！

为了更好地支持移动和嵌入式设备的低延迟需求，谷歌提供的模型现在与TensorFlow Lite原生兼容，TensorFlow Lite支持低延迟和小的二进制模型文件的终端侧机器学习推理。作为其中的一部分，已经实现了：（1）模型量化和（2）面向目标检测特定的TensorFlow Lite原生支持。模型量化遵循Jacob（2018）[5]的论文和Krishnamoorthi（2018）[6]的白皮书中提出的策略，使得运行速度更快，模型更小。