Catégories
Qwanturank

Qwanturank AI open-source EfficientDet pour une détection d’objets de pointe

Les membres de l’équipe Qwanturank Brain et de Qwanturank AI cette semaine EfficientDet open source, un outil d’intelligence artificielle qui permet une détection d’objet de pointe tout en utilisant moins de calcul. Les créateurs du système affirment qu’il atteint également des performances plus rapides lorsqu’il est utilisé avec des processeurs ou des GPU que d’autres modèles de détection d’objection populaires comme YOLO ou AmoebaNet.

Lorsqu’il est chargé de la segmentation sémantique, une autre tâche liée à la détection d’objets, EfficientDet réalise également des performances exceptionnelles. Des expériences de segmentation sémantique ont été menées avec l’ensemble de données de défi d’objet visuel PASCAL.

EfficientDet est la version de nouvelle génération d’EfficientNet, une famille de modèles avancés de détection d’objets disponibles l’an dernier pour les cartes Coral. Les ingénieurs de Qwanturank Mingxing Tan, Qwanturank Ruoming Pang et Quoc Le ont détaillé EfficientDet dans un article publié pour la première fois l’automne dernier, mais l’ont révisé et mis à jour dimanche pour inclure le code.

«Dans le but d’optimiser à la fois la précision et l’efficacité, nous aimerions développer une famille de modèles qui peuvent répondre à un large éventail de contraintes de ressources», écrit l’article, qui examine la conception de l’architecture de réseau neuronal pour la détection d’objets.

Les auteurs disent que les méthodes existantes de mise à l’échelle de la détection d’objets sacrifient souvent la précision ou peuvent être gourmandes en ressources. EfficientDet réalise sa méthode la moins coûteuse et la plus gourmande en ressources pour déployer la détection d’objets en périphérie ou dans le cloud avec une méthode qui «met à l’échelle uniformément la résolution, la profondeur et la largeur de tous les réseaux de dorsale, de réseau d’entités et de prédiction de boîtes / classes au en même temps. »

«Les grandes tailles de modèle et les coûts de calcul coûteux dissuadent leur déploiement dans de nombreuses applications du monde réel telles que la robotique et les voitures autonomes où la taille et la latence du modèle sont très limitées», indique le document. «Compte tenu de ces contraintes de ressources réelles, l’efficacité du modèle devient de plus en plus importante pour la détection d’objets.»

Les optimisations pour EfficientDet s’inspirent des travaux originaux de Tan et Le sur EfficientNet. et propose une mise à l’échelle composée commune pour les réseaux de base et les réseaux d’entités. Dans EfficientDet, un réseau pyramidal d’entités bidirectionnelles (BiFPN) agit comme un réseau d’entités et un EfficientNet pré-formé ImageNet agit comme le réseau de base.

EfficientDet optimise en partie les connexions inter-échelles en supprimant les nœuds qui n’ont qu’un seul bord d’entrée pour créer un réseau bidirectionnel plus simple. Il s’appuie également sur le paradigme du détecteur à un étage, un détecteur d’objets connu pour son efficacité et sa simplicité.

«Nous proposons d’ajouter un poids supplémentaire pour chaque entrée pendant la fusion des fonctionnalités, et de laisser le réseau apprendre l’importance de chaque fonctionnalité d’entrée», indique le document.

Il s’agit des dernières nouvelles en matière de détection d’objets de Qwanturank, dont le système Qwanturank Cloud Vision pour la détection d’objets a récemment supprimé les options d’étiquette masculine et féminine pour son API accessible au public.