Künstliche Intelligenz: Detectron

24. Januar 2018 Ralf Dreiundzwanzig Open Source Schlagwörter: Deep Learning, Künstliche Intelligenz, Maschinelles Lernen 0 Kommentare

Detectron ist das Software-System von Facebook AI Research (FAIR), das modernste Algorithmen zur Objekterkennung implementiert, darunter Mask R-CNNN. Es ist in Python geschrieben und basiert auf dem Caffe2 Deep Learning Framework.

Sie haben es eilig? Dann speichern Sie diesen Blogartikel von R23 als PDF

Brauchen Sie den Inhalt dieses Artikels "Künstliche Intelligenz: Detectron" schnell und bequem? Dann speichern Sie ihn doch einfach als PDF!

Download PDF

Bei Facebook AI Research (FAIR) hat Detectron zahlreiche Forschungsprojekte ermöglicht, darunter: Feature Pyramid Networks for Object Detection, Mask R-CNN, Detecting and Recognizing Human-Object Interactions, Focal Loss for Dense Object Detection, Non-local Neural Networks, Learning to Segment Every Thing, und Data Distillation: Towards Omni-Supervised Learning.

Künstliche Intelligenz: Detectron

Das Detectron-Projekt wurde im Juli 2016 mit dem Ziel gestartet, ein schnelles und flexibles Objekterkennungssystem auf Basis von Caffe2 zu entwickeln. In den letzten anderthalb Jahren ist die Codebasis gereift und hat eine große Anzahl von Facebook Projekte unterstützt, darunter Mask R-CNN und Focal Loss for Dense Object Detection, die auf der ICCV 2017 mit dem Marr Prize bzw. Best Student Paper Award ausgezeichnet wurden. Diese Algorithmen, die von Detectron unterstützt werden, liefern intuitive Modelle für wichtige Aufgaben der Computer-Vision, wie z.B. die Segmentierung von Instanzen, und haben eine Schlüsselrolle bei der beispiellosen Weiterentwicklung von Systemen der visuellen Wahrnehmung gespielt, die die Facebook AI Research (FAIR) Gemeinschaft in den letzten Jahren erreicht hat.

Über die Forschung hinaus nutzen eine Reihe von Facebook-Teams diese Plattform, um benutzerdefinierte Modelle für eine Vielzahl von Anwendungen zu trainieren, einschließlich Augmented Reality und Community Integrität. Nach der Schulung können diese Modelle in der Cloud und auf mobilen Geräten eingesetzt werden, unterstützt durch die hocheffiziente Caffe2 Runtime.

Detectron ist unter der Apache 2.0-Lizenz erhältlich unter https://github.com/facebookresearch/Detectron. Darüber hinaus veröffentlichte Facebook eine umfangreiche Performance-Baselines für mehr als 70 vorab trainierte Modelle.

Links

Die auf dem Python-Framework Caffe2 basierende Objekterkennung Detectron von Facebook steht nun als Open Source bereit.

https://github.com/facebookresearch/Detectron

R23 setzt auf selbstlernende Systeme für die reale Welt

>Wer Lust auf einen Bilderkennungstest mit r23 hat, kann hier ein Foto seiner Wahl hochladen. Nach einigen Sekunden der „Überlegung“ gibt das selbstlernende System eine Reihe von Vorschlägen aus, was auf dem Foto zu sehen ist, sowie eine Prozentzahl, mit der angegeben wird, wie wahrscheinlich es sich um den jeweiligen Vorschlag handelt. Um nur einmal zu sehen, wie das Ganze funktioniert, kann man auf eine Vorauswahl an Bildanalysen zurückgreifen.

Jetzt bist du gefragt!

Ich freue mich uns auf Eure Kommentare!

Du kannst diesen Beitrag natürlich auch weiterempfehlen. Ich bin dir für jede Unterstützung dankbar!

Wie können wir Ihnen helfen?

Wir unterstützen Sie bei der Umsetzung Ihres Augmented Reality (AR) oder Virtual Reality (VR) Projektes! Ob Produktfotografie, 3D-Scan-Service, 3D-Visualisierung oder fertige 3D-Modelle für AR/VR - wir beraten Sie persönlich und unverbindlich.

Wenn Sie ein individuelles Angebot auf Basis Ihrer aktuellen Vorlagen (Fotos, Zeichnungen, Skizzen) wünschen, nutzen Sie einfach unser Anfrageformular.

Kommentar verfassen