目標(biāo)檢測(cè)框架：支持TF2的TF Object Detection
一直以來(lái)，大家最常用的目標(biāo)檢測(cè)庫(kù)是港中文的mmdetection和Facebook的detectron2庫(kù)，不過(guò)這兩個(gè)庫(kù)都是基于PyTorch的，PyTorch的模型部署方面還是稍差于TensorFlow，如果想用TensorFlow的目標(biāo)檢測(cè)模型，最好的還是選擇還是谷歌官方的TF Object Detection庫(kù)：
目前隨著TensorFlow 2x的到來(lái)，TF?Object Detection庫(kù)也支持TF2了，而且最重要的是還兼容TensorFlow 1.x，這真是非常nice。不過(guò)官方還是建議大家使用最新的TF2來(lái)訓(xùn)練模型，主要原因如下：
最新的模型只會(huì)在TF2中更新，未來(lái)還會(huì)繼續(xù)更新；
TF2訓(xùn)練得到的模型效果和TF1幾乎沒有差別；
TF2可以更容易地使用GPU和TPU進(jìn)行分布式訓(xùn)練；
TF2的Eager模式使debug更容易；
除了支持TF2外，TF2也新增了更多的模型如CenterNet和EfficientDet，具體Model Zoo如下所示：
不過(guò)，如果你想使用TF1，那么你可以查看對(duì)應(yīng)的Model?Zoo（https://github.com/tensorflow/models/blob/master/research/object_detection/g3doc/tf1_detection_zoo.md），要比TF2支持的模型少一些。
另外，貼心的開發(fā)者還給了詳細(xì)的入門教程Colab：
訓(xùn)練：在自己的數(shù)據(jù)集上fine-tune一個(gè)檢測(cè)器；
推理：用model zoo中的模型進(jìn)行推理預(yù)測(cè)；
移動(dòng)端部署：Fine-tune一個(gè)檢測(cè)器，并用TensorFlow Lite部署
更多見https://github.com/tensorflow/models/blob/master/research/object_detection/g3doc/tf2.md
推薦閱讀
無(wú)需tricks，知識(shí)蒸餾提升ResNet50在ImageNet上準(zhǔn)確度至80%+
不妨試試MoCo，來(lái)替換ImageNet上pretrain模型！
mmdetection最小復(fù)刻版(七)：anchor-base和anchor-free差異分析
mmdetection最小復(fù)刻版(四)：獨(dú)家yolo轉(zhuǎn)化內(nèi)幕
機(jī)器學(xué)習(xí)算法工程師
? ??? ? ? ? ? ? ? ? ? ? ? ??????? ??一個(gè)用心的公眾號(hào)
?
