Google Cloud Vision AutoML 和 TensorFlow 对象检测差异

如何解决Google Cloud Vision AutoML 和 TensorFlow 对象检测差异

Google Cloud Vision Auto ML 和 Google Tensor Flow 有什么区别？

https://cloud.google.com/vision/automl/docs/train

https://www.tensorflow.org/hub/tutorials/object_detection

它们都来自同一家公司，并进行 API 对象检测，允许用户训练图像模型，允许用户在 python 中编码。 Google Cloud AutoML 是否在底层使用 Google Tensorflow，只是在 Cloud 模型中，因此用户不需要下载软件？

只是试图理解这两个组成部分。

谷歌云自动机器学习

解决方法

Google Cloud AutoML Vision 在 Google Cloud Platform 上运行，Google TensorFlow Object Detection 在 Google Colab 上运行。

主要区别很少。我将尝试在这里介绍最重要的内容：

1. Colab 实例会话在 12 hours 后超时，其中自定义 AutoML 视觉模型的最长生命周期为 18 months。

2. Colab 在 Google Drive 上运行，其基本版本为 free，其中 AutoML 视觉成本为 $3.15 per node hour。

注意：“您可以免费试用 AutoML Vision Object Detection，方法是使用每个结算帐户的 40 个免费节点小时进行训练和在线预测，并使用 1 个免费节点小时进行批量预测。”

3. Colab 轻松进行身份验证，并具有 pre-built connectors，其中 AutoML 与 Google Cloud Platform 完全集成。

4. Colab 是一种没有任何企业支持的消费产品，AutML vision 拥有 enterprise support 来解决您的所有问题和疑问。

---

• 为了获得最高级别的编程控制，最好使用 TensorFlow 创建自定义对象检测模型。可以在 here 中找到一些示例。为缩短生产时间，客户可以使用迁移学习并使用 TensorFlow Hub 中可用的模型架构之一，或从其他来源下载模型权重。

• 另一方面，AutoML Vision 不提供对模型构建的精细控制，因此您将无法以编程方式调整生成的模型。 AutoML 使用 Neural Architecture Search 为手头的任务设计最佳神经网络。这种方法更快，因为所需的只是训练数据和构建神经网络的任务。您可以找到更多details and examples on AutoML Vision。

• 如果您想使用现成的 API（对模型本身进行零自定义），它们可以直接利用 Vision API。 API 为常见任务（例如对象检测、OCR 等）提供预测，并且不允许进行控制，而无需带来任何数据或训练任何 ML 模型。这里的缺点是 API 背后的模型是静态的，不能像 AutoML Vision 一样重新训练。有关 Vision API 和 AutoML Vision 之间差异的更多详细信息，请参见 here。

• 关于哪种产品在物体检测方面做得更好 - 您应该进行自己的实验，看看哪种产品最适合您的需求。

最后是递增程序控制的顺序，如下：

Vision API > AutoML Vision > TensorFlow (with transfer learning) > TensorFlow (custom model)