Facebook Mask R-CNN2Go已开源 提供对象检测、分类、分割和身体姿势估计

　　2018年12月14日，MLPerf是由谷歌，斯坦福，哈佛和百度等机构组织联手打造的组织，旨在为衡量机器学习软件框架，硬件加速器和云平台的系统级性能建立一套通用行业基准。它为云端训练与推理，以及设备边缘推断提供了基准。今天，Facebook宣布正式加入MLPerf，并开源Mask R-CNN2Go。

　　Facebook表示：“我们长期以来都一直支持框架和硬件之间的开源标准和互操作性，通过开放式神经网络交换(ONNX)和PyTorch等项目来推动机器学习的创新。开发行业标准的机器学习模型与基准可以帮助研究人员和工程师更好地评估和展示其工作的影响，而这正是我们支持MLPerf计划的原因。”

　　作为这一努力的组成部分，Facebook成立了专门的工作组来识别和应对基准创建的不同方面所出现的挑战，他们同时开源了Mask R-CNN2Go，一个针对嵌入式和移动设备优化的计算机视觉模型。

　　Facebook AI Infra研究科学家Carole-Jean Wu是MLPerf Edge Inference工作组的联合主席。Facebook指出：“与其他行业和学术组织一道，我们将为边缘推理类别提供基于开源数据集训练的基准参考实现。对于图像分类用例，我们将提供最先进的ShuffleNet模型实现。对于姿势估计用例，我们将提供由Facebook移动视觉研究人员开发的Mask R-CNN2Go模型实现。随着越来越多的机器学习正发生在边缘，我们有必要为边缘推理用例定义代表性的基准，并帮助社区描述设备推理执行的性能瓶颈，同时设计和优化系统，从而实现高效的设备本地推理解决方案。”

　　开源Mask R-CNN2Go

　　作为MLPerf贡献的一部分，Facebook将开源Mask R-CNN2Go，一个针对嵌入式和移动设备优化的领先计算机视觉模型。Mask R-CNN2Go构成了各种设备本地机器学习用例的基础：对象检测，分类，分割和身体姿势估计，并支持准确与实时的推理。主模型是基于更广泛的Mask R-CNN框架。顾名思义，MaskRCNN2Go专为移动设备而设计和优化。

　　Mask R-CNN2Go目前运行在Caffe2，并计划运行在PyTorch 1.0，因为为了给开发者提供从研究到创建的无缝路径，机器学习框架正继续增加更多的功能。目前，Facebook正利用Mask R-CNN2Go在移动设备上创建有用和有趣的体验，如Facebook Camera中的“Control the Rain”增强现实效果中的手部追踪。

　　Facebook表示：“我们期待看到社区通过Mask R-CNN2Go开发创意性的人工智能移动体验。作为MLPerf基准测试的一部分，Mask R-CNN2Go将帮助我们的社区设计和评估移动与嵌入式设备，并实现最先进的机器学习推理。”