在WWDC 2017上，蘋果首次公布了機(jī)器學(xué)習(xí)方面的動作。iOS系統(tǒng)早已支持Machine Learning 和 Computer Vision ，但這次蘋果提供了更合理，容易上手的API，讓那些對基礎(chǔ)理論知識一竅不通的門外漢也能玩轉(zhuǎn)高大上的前沿科技。

　　這篇文章介紹了通過蘋果最新的API把YOLO模型集成到APP中的兩種方法。此前，AI100（rgznai100）介紹過YOLO這個項目，它是一個用于攝像頭的實時目標(biāo)檢測系統(tǒng)，詳情請參閱：《YOLO一眼就能認(rèn)出你：看一個神經(jīng)網(wǎng)絡(luò)如何全視野實時檢測目標(biāo)》

　　作者 | Matthijs Hollemans

　　編譯 | AI100（rgznai100）

　　參與 | thinkdeeper、胡永波

　　幾周前，我寫了篇關(guān)于YOLO（一個用于目標(biāo)檢測的神經(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，實現(xiàn)了該版本的YOLO（實際上是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

　　https://github.com/hollance/Forge

　　此后，蘋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，我們會使用這些新的API來實現(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個卷積層和6個最大池化層組成的神經(jīng)網(wǎng)絡(luò)，但其最后一層不會像分類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個單元格。每個單元格預(yù)測5個邊界框（每個邊界框由25個數(shù)字描述）。然后，我們使用非最大抑制來找到最佳邊界框。