seoil e&m

2021.03.05

2019年、Facebook AI研究所(FAIR)が公開した「Detectron 2」は研究者や開発者にオーダーメイド型モジュールをどのような物体探知システムにも連結できる容易な経路を提供する。



ここに、Facebookリアリティラボ(FRL)のモバイルビジョンチームが4日(現地時間)、Detectron 2を基盤にモバイル機器とハードウェアに効率的なディープラーニングオブジェクト探知モデルを学習し配布するための新しい拡張プラットフォーム「Detectron 2Go(以下、D2Go)」をオープンソースとして公開した。

D2Go は、Detectron 2、PyTorch Mobileと広く使われるデータセット、モデルアーキテクチャやコンピュータビジョンのための一般的なイメージ変換を行うTorchVisionベースで構築されている。 これを通して、研究及び開発者が学習からモバイル配布に至るまでのマシンラーニングモデルをオンデバイスに容易に適用できるよう支援する。

オブジェクト探知は遅延時間(速度)と精度の2つの核心要素に依存する。 例えば、自動運転車の安全対策を考慮したり、リスクを識別するために使用したり、インスタグラムで円滑なAR経験を作ることもできる。 このような場合、システムは客体を正確に感知し識別できるだけでなく、速やかに識別できるようにしなければならない。

しかし、多くのビジョンシステムが直面している課題は、遅延（待機）時間である。 サーバまたはクラウド基盤モデルを使用するデバイスがデータ収集·処理するためにクラウドに送った上で実行するのに時間がかかる。 しかし、モデルが機器自体で実行できれば、このような待ち時間を大きく短縮することができる。

また、オンデバイスモデルはエンドユーザに追加的なセキュリティ及び個人情報保護の特典を提供する。 音声や自然語処理（NLP）作業に類似して、オブジェクト認識は人々が重要なデータ（例:個人イメージ）がクラウドに伝送されることを心配するという意味で個人情報保護の問題を伴う。 このプラットフォームD2Goは全ての処理がエッジからオンデバイスで処理される。

Detectron2はイメージ分類及びオブジェクト探知作業を遂行するためにマシンラーニングモデルを訓練するために設計されたPyTorch基盤のライブラリである。 この新しいD2Go拡張により、開発者は探知(識別)や分割作業を効率的に遂行できるアーキテクチャを使用して、Detectron2開発をさらに一段階進め、モバイル装置に既に最適化されたFBNetモデルを実現することができる。

そしてこのモデルは定量化されるため、はるかに大きなサーバー基盤モデルと同じ作業をより効率的かつ正確に遂行することができる。 Facebook AI研究所の独自テストで、D2Goと一緒に開発されたモバイル基盤モデルはサーバー基盤モデルに比べて待機時間が短縮され、精度が大きく向上したと発表した。

D2Go はオープンソースソフトウェアとの相互運用性を念頭に構築されており、開発者はPyTorch Lightningを学習フレームワークとして使用し、コミュニティで既存ツールを活用できるオプションを提供する。

特に、FBnet V3 と結合したD2Go はリソース豊富なシナリオでコンピューティングとリソース制限シナリオをオンデバイスで実行できるようにする効率的な検知(識別)、インスタンス分割やキーポイント推定モデルを提供する。 D2Goはすでに Facebook自体のコンピュータービジョンモデル開発に使われている。 Facebook内でハードウェア認識、リアルタイムモデルを持つことが、立派なユーザーエクスペリエンスを提供する Facebook 3Dフォト機能がその例だ。

一方、FRL Mobile VisionチームはD2Goをオープンソースで公開し、研究および開発者向けデモアプリと一連のチュートリアルを公開した。

第一は、Detectron2経験が少ない人を対象として、Detectron2およびD2Goに対する基本事項を提供し、ユーザ指定データセットを使用して個体ディテクターを実現する方法を提供する。

第二に、チュートリアル開発の流れを単純化するために学習スクリプトを作成する方法と、特定の必要に応じてD2Goをユーザ定義する方法に焦点を当てた。 現在、このプラットフォームは「GitHub」により誰でも使用できる。

＊本件についてお問い合わせ事項がございましら、当ホームページの「お申込み/お問い合わせ」か下記の連絡先へご連絡お願いします。
部署名：SEOIL E&M 企画マーケティンググループ
TEL ：+82）2-6204-2033
E-mail : pl@seoilenm.com