TensorFlow 2.0 目标检测库的新特性

TensorFlow 2.0 的发布为计算机视觉开发者带来了许多激动人心的新特性。非常兴奋地宣布，Roboflow 的模型库已经与 TensorFlow 2.0 目标检测 API 集成，使得开发者能够快速地在自己的自定义数据上训练 TensorFlow 2 计算机视觉模型。通过改变数据导入的一行代码，就可以在几分钟内获得一个训练好的 TensorFlow 2 模型。

TensorFlow目标检测API 的简介

自 2017 年发布以来，计算机视觉开发者一直在使用 TensorFlow 目标检测 API 来训练和部署目标检测模型。TensorFlow 目标检测 API 包含了一个模型库，里面包含了原始的深度学习目标检测模型。TensorFlow 1.x 目标检测模型库提供了一系列的目标检测模型，可以将它们部署到自定义数据集上，并在此基础上进行构建，类似于 Facebook 的 Detectron2 计算机视觉库。

TensorFlow 目标检测 API 允许快速尝试 TensorFlow 生态系统中的新架构，并提供模型导出脚本，将模型导出为包含推理图定义的 .pb protobuf 文件。然后，可以将这些模型导出到 TF Lite 或 TFJS 等平台。

TensorFlow2.0目标检测API 的新特性

TensorFlow 2.0目标检测API 的热度是真实的。最兴奋的新特性之一是 TensorFlow 2 目标检测库中包含了EfficientDet模型家族。EfficientDet 是由 Google Brain 开发的目标检测模型，旨在在 COCO 标准数据集上通过牺牲模型大小和推理时间来获得性能。EfficientDet 是一系列不同大小的模型，都在 TensorFlow 2 目标检测模型库中发布。

之前实现了一个教程，教如何在 PyTorch 中训练EfficientDet，但这只适用于最小的 EfficientDet 模型。随着新的 TensorFlow 2 目标检测教程的发布，可以扩展到更大的 EfficientDet 模型。

新的TensorFlow2.0 目标检测 API 的另一个重要特性是 TensorFlow 图函数的即时执行。在原始的 TensorFlow 中，需要构建一个图，创建一个会话，然后执行操作。图抽象最终变得相当复杂，难以开发和调试，因此 TensorFlow 2 重新定义了编程环境为命令式，这样就可以在脚本运行时定义和执行变量。

该库还提供了跨多个 GPU 或 TPU 资源训练的能力，允许在大型数据集上大规模扩展训练作业，这些数据集分布在多个 TFRecord 分片上。

立即开始使用 TF2 OD 库

现在这项新技术已经可用，让把它推广出去！已经为准备了一份教程，教如何在几分钟内通过改变一行代码来训练自己数据集上的 TensorFlow2 目标检测模型。