在WWDC 2017上，蘋(píng)果首次公布了機(jī)器學(xué)習(xí)方面的動(dòng)作。iOS系統(tǒng)早已支持Machine Learning 和 Computer Vision ，但這次蘋(píng)果提供了更合理，容易上手的API，讓那些對(duì)基礎(chǔ)理論知識(shí)一竅不通的門(mén)外漢也能玩轉(zhuǎn)高大上的前沿科技。

　　這篇文章介紹了通過(guò)蘋(píng)果最新的API把YOLO模型集成到APP中的兩種方法。此前，AI100（rgznai100）介紹過(guò)YOLO這個(gè)項(xiàng)目，它是一個(gè)用于攝像頭的實(shí)時(shí)目標(biāo)檢測(cè)系統(tǒng)，詳情請(qǐng)參閱：《YOLO一眼就能認(rèn)出你：看一個(gè)神經(jīng)網(wǎng)絡(luò)如何全視野實(shí)時(shí)檢測(cè)目標(biāo)》

　　作者 | Matthijs Hollemans

　　編譯 | AI100（rgznai100）

　　參與 | thinkdeeper、胡永波

　　幾周前，我寫(xiě)了篇關(guān)于YOLO（一個(gè)用于目標(biāo)檢測(cè)的神經(jīng)網(wǎng)絡(luò)模型）的教程。并且我使用Metal Performance Shader和我的Forge神經(jīng)網(wǎng)絡(luò)庫(kù)，實(shí)現(xiàn)了該版本的YOLO（實(shí)際上是Tiny YOLO）。

　　關(guān)于YOLO的教程

　　http://machinethink.net/blog/object-detection-with-yolo/

　　Forge神經(jīng)網(wǎng)絡(luò)庫(kù)

　　https://github.com/hollance/Forge

　　此后，蘋(píng)果公司宣布了可以在設(shè)備上應(yīng)用機(jī)器學(xué)習(xí)的兩種新技術(shù)：Core ML和MPS graph API（Core ML 構(gòu)建于MPS之上，MPS更底層）。在這篇博文中，我們會(huì)使用這些新的API來(lái)實(shí)現(xiàn)Tiny YOLO。

　　在設(shè)備上應(yīng)用機(jī)器學(xué)習(xí)的兩種新技術(shù)

　　http://machinethink.net/blog/ios-11-machine-learning-for-everyone

　　快速回顧：YOLO是由9個(gè)卷積層和6個(gè)最大池化層組成的神經(jīng)網(wǎng)絡(luò)，但其最后一層不會(huì)像分類(lèi)器那樣輸出概率分布。相反，最后一層產(chǎn)生13×13×125張量。

　　該輸出張量描述了13×13個(gè)單元格。每個(gè)單元格預(yù)測(cè)5個(gè)邊界框（每個(gè)邊界框由25個(gè)數(shù)字描述）。然后，我們使用非最大抑制來(lái)找到最佳邊界框。

相關(guān)電子資料下載

• 基于Vitis AI的ADAS目標(biāo)識(shí)別 1477
• 機(jī)器視覺(jué)的基本功能包括哪些？ 265
• 超詳細(xì)！一文講透機(jī)器視覺(jué)常用的 3 種“目標(biāo)識(shí)別”方法 231
• 淺談雷達(dá)的探測(cè)、跟蹤、抗干擾和目標(biāo)識(shí)別技術(shù) 516
• XenP影系列毫米波傳感器優(yōu)化人體測(cè)距定位和多目標(biāo)識(shí)別功能 1012
• 基于灰度共生矩陣（GLCM）的遙感圖像圖片特征提取 831
• 機(jī)器視覺(jué)常用的三種目標(biāo)識(shí)別方法解析 435
• 低速無(wú)人駕駛汽車(chē)適用的目標(biāo)識(shí)別感知控制算法 186
• 機(jī)器視覺(jué)常用的3種目標(biāo)識(shí)別方法 456
• 機(jī)器視覺(jué)目標(biāo)識(shí)別方法解析：Blob分析法、模板匹配法、深度學(xué)習(xí)法 2201