DJL初探

潘力豪 2020/05/28 18:20:49

0 1184

現今在深度學習領域中主要的開發語言還是以Python為主，在目前熱門的深度學習框架如TensorFlow、PyTorch、mxnet也是對Python有較大的支持。儘管Java也是目前流行的程式語言，但卻缺乏深度學習相關支持的lib。

在2019/12由Amazon發布的DJL(Deep Java Library)的深度學習開發工具包，可以讓Java開發者更容易的開發及應用原生的機器學習及深度學習的模型。

DJL在既有的深度學習框架上提供了一套基於Java的API，並簡化API的定義以降低深度學習開發的難度，通過簡化的API以及DJL事先訓練好的模型，使開發者可以在短時間內建制一套深度學習的應用。

DJL使用案例

在此範例中使用了DJL Model-Zoo提供的SSD(Single Shot Detector)模型，建立了一個人物的檢測。專案由IntelliJ IDEA建立一個Gradle專案，詳細build.gradle內容如下

plugins {
    id 'java'
}

repositories {                           
    jcenter()
}

dependencies {
    compile "org.apache.logging.log4j:log4j-slf4j-impl:2.12.1"
    compile "ai.djl.mxnet:mxnet-model-zoo:0.2.1"
    runtime "ai.djl.mxnet:mxnet-native-mkl:1.6.0-b:linux-x86_64"
    // Comment above line for Windows/Mac and un-comment line below
    //runtime "ai.djl.mxnet:mxnet-native-mkl:1.6.0-b:osx-x86_64" // For macOS
    //runtime "ai.djl.mxnet:mxnet-native-mkl:1.6.0-b:win-x86_64" // For Windows
}

此範例將利用以下圖片進行檢測

來源:Offered under Apache-2.0 license on Gluon-CV

以下程式碼顯示了DJL檢測圖片的流程。首先先載入Model Zoo提供的SSD模型，之後建立該模型提供的Predictor，最後使用predict方法對圖片進行檢測。DJL還提供了圖片視覺化的工具方便展示檢測的結果。

import ai.djl.modality.cv.DetectedObjects;
import ai.djl.modality.cv.ImageVisualization;
import ai.djl.modality.cv.util.BufferedImageUtils;
import ai.djl.mxnet.zoo.MxModelZoo;
import ai.djl.repository.zoo.ZooModel;
import ai.djl.training.util.ProgressBar;

import javax.imageio.ImageIO;
import java.awt.image.BufferedImage;
import java.io.File;

public class SimpleSSDExample {
    public static void main(String[] args) throws Exception{
        // Get image file path
        BufferedImage img = BufferedImageUtils
                .fromUrl("https://raw.githubusercontent.com/dmlc/web-data/master/gluoncv/pose/soccer.png");

        //Get resnet model from model zoo.
        ZooModel<BufferedImage, DetectedObjects> model = 
                MxModelZoo.SSD.loadModel(new ProgressBar());
        //Create a new predictor from model and predict on image.
        DetectedObjects predictResult = model.newPredictor().predict(img);
        // Draw Bounding boxes on image
        ImageVisualization.drawBoundingBoxes(img, predictResult);
        //Save result
        ImageIO.write(img, "png", new File("ssd.png"));
        model.close();
    }
}

以上程式碼檢測出圖片中有三位運動員，並將結果輸出至當前工作目錄的ssd.png檔案