怎样用苹果CoreML实现iPhone的目标识别

　　在WWDC 2017上，苹果首次公布了机器学习方面的动作。iOS系统早已支持Machine Learning 和 Computer Vision ，但这次苹果提供了更合理，容易上手的API，让那些对基础理论知识一窍不通的门外汉也能玩转高大上的前沿科技。

　　这篇文章介绍了通过苹果最新的API把YOLO模型集成到APP中的两种方法。此前，AI100（rgznai100）介绍过YOLO这个项目，它是一个用于摄像头的实时目标检测系统，详情请参阅：《YOLO一眼就能认出你：看一个神经网络如何全视野实时检测目标》

　　作者 | Matthijs Hollemans

　　编译 | AI100（rgznai100）

　　参与 | thinkdeeper、胡永波

　　几周前，我写了篇关于YOLO（一个用于目标检测的神经网络模型）的教程。并且我使用Metal Performance Shader和我的Forge神经网络库，实现了该版本的YOLO（实际上是Tiny YOLO）。

　　关于YOLO的教程

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

　　Forge神经网络库

　　https://github.com/hollance/Forge

　　此后，苹果公司宣布了可以在设备上应用机器学习的两种新技术：Core ML和MPS graph API（Core ML 构建于MPS之上，MPS更底层）。在这篇博文中，我们会使用这些新的API来实现Tiny YOLO。

　　在设备上应用机器学习的两种新技术

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

　　快速回顾：YOLO是由9个卷积层和6个最大池化层组成的神经网络，但其最后一层不会像分类器那样输出概率分布。相反，最后一层产生13×13×125张量。

　　该输出张量描述了13×13个单元格。每个单元格预测5个边界框（每个边界框由25个数字描述）。然后，我们使用非最大抑制来找到最佳边界框。