在深度學習大放異彩的AI時代，計算機視覺是AI應用的重要領域之一。而聯邦學習，作為AI應用的最後一公里。在資料安全、隱私保護備受重視的今天，聯邦學習在視覺領域的探索，也在不斷推進中。

微眾銀行聯邦學習團隊，近期就在GitHub（https://github.com/FederatedAI/FedVision）上開源了FedVision v0.1視覺聯邦框架，這將是聯邦學習的新領域。

FedVision 介紹

FedVision是首個輕量級、模型可複用、架構可擴充套件的視覺橫向聯邦開源框架，內建PaddleFL/PaddleDetection外掛，支援多種常用的視覺檢測模型, 助力視覺聯邦場景快速落地。

FedVision 是基於Python 實現的，作為一個視覺橫向聯邦方向機器學習專案，已經在 GitHub（https://github.com/FederatedAI/FedVision） 上開源首個版本FedVision v0.1。

FedVision專案的主要目標是：

在學術場景下，助力實驗人員快速驗證相關的實驗想法。在實際生產環境中，助力視覺橫向聯邦專案進行快速落地。

為了快速實現最小可用版本，FedVision v0.1版本藉助 PaddleFL 專案的部分能力，實現視覺領域的橫向聯邦建模功能。由於藉助了 Paddle 的豐富生態，經簡單的調製適配，FedVision v0.1 即可直接使用 PaddleDetection 專案實現的幾乎全部的視覺檢測模型。

FedVision 邏輯構圖

FedVision 從專案邏輯上可分成兩個部分：

1、框架

FedVision 的框架部分由幾個相對獨立的小元件構成，相互之間透過網路通訊配合實現整個聯邦學習任務的生命週期。這些小元件根據所屬的角色不同又歸為兩類：

Coordinator這個元件是單獨的功能模組，在橫向聯邦學習任務的生命週期中屬於協調者的角色，被所有的 “Party” 訂閱。當前版本所有的建模任務需要釋出到 “Coordinator” ，由其分發給所有訂閱對應型別任務的 “Party” 端。在所有收到訂閱的參與方應答（或者超時）之後， 根據規則篩選出最終參與建模的所有 “Party” , 最後才分發任務的最終都任務配置。目前版本的 “Coordinator” 只負責命令層面（任務資訊）的資訊分發，資料由 “Party” 任務之間直接建立的通訊傳遞。在後續的版本中，資料的聚合分發功能將由 “Coordinator” 直接負責，從而推動 FedVision 的 “Party” 端往端上部署的能力。Party目前 Party 端包含了一個簡單的 “Cluster” 元件，負責往多個不同的計算節點分發 Task、 一個 “Submitter” 元件（供使用者提交任務）以及一個 “Master” 元件（負責對話 “Coordinator” 和 “Submiter” ）。2、拓展

目前機器學習框架已經非常豐富了，無論從構建生態、使用者學習和研發成本考慮，都沒必要去重複造輪子。

因此，從設計之初，FedVision 就準備依託現有的機器學習框架來構建聯邦場景下的機器學習平臺，因此抽象了一些合理的介面，用於擴充套件及支援多種計算引擎的任務型別。

目前，藉助 PaddleFL 和 PaddleDetection 專案的強大能力，FedVision 得以快速完成了第一階段的功能迭代。我們將在下一個版本迎來 PyTorch 的擴充套件支援。

FedVision 功能特點1、部署簡捷

透過 PyPI 已釋出了一個簡單的部署與服務起停的工具。

簡單幾步即可開始使用！有小夥伴可能會問，為啥不用 k8s 呢？嗯，已經在準備當中了！

2、使用便捷

透過整合 PaddleDetection 的能力，在使用者構建視覺檢測模型的時候，簡單配置一份 yaml 檔案即可，不需要寫一行程式碼！

對於想自定義模型的使用者，框架也不限制您的發揮，類似於內建的卷積網路 demo 手動實現也相當容易。

3、 內建豐富模型

在現有的實際生產場景中，最適合橫向聯邦技術的場景的就是視覺檢測相關的建模任務。

藉助專案架構擴充套件的能力，目前主流的視覺檢測模型均可使用，“Yolo”，”rcnn“一家子全都安排。

期待更多開發者加入

FedVision 將會持續完善，為開源社群提供更加友好強大的橫向視覺聯邦能力。我們將在下一版本支援 PyTorch 的擴充套件，雖然這依賴於 Coordinator 特性的升級。我們還將完善對加密聚合協議的支援，引入結構化壓縮聚合等技術。另外，更輕量的客戶端也在計劃之中。