臉書宣布全力支援機器學習基準計畫MLPerf,在圖像分類方面,將貢獻ShuffleNet模型實作,而在姿勢估測方面,臉書將開源貢獻其Mask R-CNN2Go專案,這是一個針對嵌入式和行動裝置最佳化的先進電腦視覺模型。

臉書提到,一直以來,他們透過開放式神經網路交換(Open Neural Network Exchange,ONNX)和深度學習框架PyTorch等專案推動機器學習創新,長期在框架和硬體間的開放標準和互操作性上耕耘。而臉書宣布加入的MLPerf是一個聯盟,目的在建立一套通用的基準,以衡量機器學習軟體框架、硬體加速器和雲端平臺的系統性能。

MLPerf的基準擁有豐富的測試套件,涵蓋了各種應用程式使用案例,包括圖像分類、物件偵測、語音與文字翻譯。而為了幫助MLPerf提供公平且符合業界標準的機器學習基準測試套件,臉書成立了專門的工作小組,以識別並解決在基準創建所會遇到的挑戰。

臉書人工智慧基礎設施研究科學家Carole-Jean Wu是MLPerf邊緣推理(Edge Inference)工作組的聯合主席。與其他企業與學術機構共同合作,臉書將針對邊緣推理類別,提供兩個機器學習模型的開源資料及訓練基準參照實作。在圖像分類使用案例,臉書將貢獻新進的ShuffleNet模型實作,而在姿勢估測方面,臉書將開源並貢獻由內部行動視覺研究人員開發的Mask R-CNN2Go模型實作。

Mask R-CNN2Go是臉書針對嵌入式和行動裝置最佳化的電腦視覺模型,能被用來建構各種裝置機器學習使用案例的基礎,像是物體偵測、分類、人像分割(Person Segmentation)以及身體估測,實現準確且即時的推理。

Mask R-CNN2Go主要模型是基於廣泛的Mask R-CNN框架開發而成,而Mask R-CNN2Go就像名字代表的意義一樣,是為了行動裝置設計和最佳化。Mask R-CNN2Go目前在Caffe2上執行,臉書計畫將其移往深度學習框架PyTorch 1.0,因為該框架繼續且積極的新增多項功能,且能讓開發人員將應用程式,從研究階段無縫轉移至產品階段。

臉書認為,現在越來越多機器學習使用案例發生在邊緣裝置,因此重要的是要為邊緣推理使用案例定義代表性的基準,以幫助社群描述裝置推理執行的效能瓶頸,並為高效裝置推理解決方案設計和最佳化系統。


Advertisement

更多 iThome相關內容