网站上广告,商丘关键词优化推广,asp网站上一篇下一篇代码,保定公司做网站Tensorflow 提供了一系列在不同数据集上预训练的目标检测模型#xff0c;包括 COCO 数据集、Kitti 数据集、Open Images 数据集、AVA v2.1 数据集、iNaturalist 物种检测数据集 和 Snapshot Serengeti 数据集。这些模型可以直接用于推理#xff0c;特别是当你对这些数据集中已…Tensorflow 提供了一系列在不同数据集上预训练的目标检测模型包括 COCO 数据集、Kitti 数据集、Open Images 数据集、AVA v2.1 数据集、iNaturalist 物种检测数据集 和 Snapshot Serengeti 数据集。这些模型可以直接用于推理特别是当你对这些数据集中已有的类别感兴趣时。同时它们也可用于新数据集上训练模型时的初始化。
下表列出了每个预训练模型包括
模型名称对应于 samples/configs 目录中用于训练此模型的配置文件包含预训练模型的 tar.gz 文件的下载链接模型速度 —— 我们报告的是每张 600x600 图像的运行时间包括所有预处理和后处理但请注意这些时间高度依赖于特定的硬件配置这些时间是在 Nvidia GeForce GTX TITAN X 显卡上测得的在很多情况下应被视为相对时间。同时注意桌面 GPU 的时间并不总是反映移动设备的运行时间。例如Mobilenet V2 在移动设备上比 Mobilenet V1 快但在桌面 GPU 上略慢在 COCO 验证集的子集、Open Images 测试集、iNaturalist 测试集或 Snapshot Serengeti LILA.science 测试集上的检测器性能以数据集特定的 mAP 度量。这里数值越高越好我们只报告四舍五入到整数的边界框 mAP。输出类型Boxes如果适用的话还有 Masks
你可以通过例如以下命令来解压缩每个 tar.gz 文件
tar -xzvf ssd_mobilenet_v1_coco.tar.gz在解压缩后的目录中你将找到
一个图模型graph.pbtxt一个检查点model.ckpt.data-00000-of-00001、model.ckpt.index、model.ckpt.meta一个将权重作为常量烘焙进图的冻结图模型frozen_inference_graph.pb用于直接推理在 Jupyter 笔记本中试试这个一个用于生成图的配置文件pipeline.config。这些直接对应于 samples/configs 目录中的配置文件但通常具有修改后的得分阈值。在较重的 Faster R-CNN 模型的情况下我们还提供了一个使用更少提议数量以提高速度的模型版本。仅限移动模型一个可以部署在移动设备上的 TfLite 文件model.tflite。
关于冻结推理图的一些说明
如果你尝试评估冻结图可能会发现一些模型的性能略低于我们在下表中报告的数值。这是因为在创建冻结图时我们丢弃了得分低于阈值通常为 0.3的检测。这实际上相当于在检测器的精确度召回曲线上选择一个点并丢弃该点之后的部分这会对标准 mAP 度量产生负面影响。我们的冻结推理图是使用 Tensorflow 的 v1.12.0 版本生成的我们不保证这些图能与其它版本兼容话虽如此每个冻结推理图都可以使用你当前版本的 Tensorflow 重新生成方法是重新运行 exporter指向模型目录以及 samples/configs 中相应的配置文件。
COCO 训练模型
模型名称速度(ms)COCO mAP输出ssd_mobilenet_v1_coco3021Boxesssd_mobilenet_v1_0.75_depth_coco ☆2618Boxesssd_mobilenet_v1_quantized_coco ☆2918Boxesssd_mobilenet_v1_0.75_depth_quantized_coco ☆2916Boxesssd_mobilenet_v1_ppn_coco ☆2620Boxesssd_mobilenet_v1_fpn_coco ☆5632Boxesssd_resnet_50_fpn_coco ☆7635Boxesssd_mobilenet_v2_coco3122Boxesssd_mobilenet_v2_quantized_coco2922Boxesssdlite_mobilenet_v2_coco2722Boxesssd_inception_v2_coco4224Boxesfaster_rcnn_inception_v2_coco5828Boxesfaster_rcnn_resnet50_coco8930Boxesfaster_rcnn_resnet50_lowproposals_coco64Boxesrfcn_resnet101_coco9230Boxesfaster_rcnn_resnet101_coco10632Boxesfaster_rcnn_resnet101_lowproposals_coco82Boxesfaster_rcnn_inception_resnet_v2_atrous_coco62037Boxesfaster_rcnn_inception_resnet_v2_atrous_lowproposals_coco241Boxesfaster_rcnn_nas183343Boxesfaster_rcnn_nas_lowproposals_coco540Boxesmask_rcnn_inception_resnet_v2_atrous_coco77136Masksmask_rcnn_inception_v2_coco7925Masksmask_rcnn_resnet101_atrous_coco47033Masksmask_rcnn_resnet50_atrous_coco34329Masks
注意模型名称后的星号☆表示该模型支持 TPU 训练。
注意如果你下载了量化模型的 tar.gz 文件并解压将得到一组不同的文件 - 一个检查点、一个配置文件和 tflite 冻结图文本/二进制。
移动模型
模型名称Pixel 1 延迟(ms)COCO mAP输出ssd_mobiledet_cpu_coco11324.0Boxesssd_mobilenet_v2_mnasfpn_coco18326.6Boxesssd_mobilenet_v3_large_coco11922.6Boxesssd_mobilenet_v3_small_coco4315.4Boxes
Pixel4 Edge TPU 模型
模型名称Pixel 4 Edge TPU 延迟(ms)COCO mAP (fp32/uint8)输出ssd_mobiledet_edgetpu_coco6.925.9/25.6Boxesssd_mobilenet_edgetpu_coco6.6-/24.3Boxes
Pixel4 DSP 模型
模型名称Pixel 4 DSP 延迟(ms)COCO mAP (fp32/uint8)输出ssd_mobiledet_dsp_coco12.328.9/28.8Boxes
Kitti 训练模型
模型名称速度(ms)Pascal mAP0.5输出faster_rcnn_resnet101_kitti7987Boxes
Open Images 训练模型
模型名称速度(ms)Open Images mAP0.5[^2]输出faster_rcnn_inception_resnet_v2_atrous_oidv272737Boxesfaster_rcnn_inception_resnet_v2_atrous_lowproposals_oidv2347Boxesfacessd_mobilenet_v2_quantized_open_image_v4 [^3]2073 (faces)Boxes
模型名称速度(ms)Open Images mAP0.5[^4]输出faster_rcnn_inception_resnet_v2_atrous_oidv442554Boxesssd_mobilenetv2_oidv48936Boxesssd_resnet_101_fpn_oidv423738Boxes
iNaturalist 物种训练模型
模型名称速度(ms)Pascal mAP0.5输出faster_rcnn_resnet101_fgvc39558Boxesfaster_rcnn_resnet50_fgvc36655Boxes
AVA v2.1 训练模型
模型名称速度(ms)Pascal mAP0.5输出faster_rcnn_resnet101_ava_v2.19311Boxes
Snapshot Serengeti Camera Trap 训练模型
模型名称COCO mAP0.5输出faster_rcnn_resnet101_snapshot_serengeti38Boxescontext_rcnn_resnet101_snapshot_serengeti56Boxes
[^1]提到的COCO mAP平均精度均值是在COCO 2014年的minival数据集上评估的。这个数据集的划分与COCO 2017年的Val数据集不同。用于分割的完整图像ID列表可以在这里找到。COCO评估协议的详细信息可以在MSCOCO evaluation protocol查看。
[^2]这里提到的是PASCAL mAP但采用了稍微不同的真正例计算方法。具体细节可以在Open Images evaluation protocols中查看特别是oid_V2_detection_metrics部分。
[^3]在训练过程中非人脸框被丢弃而在评估时非人脸的真实框被忽略。
[^4]这是Open Images挑战赛的度量标准具体细节也可以在Open Images evaluation protocols中查看特别是oid_challenge_detection_metrics部分。
对于Open Images evaluation protocols它包含了Open Images数据集的评估协议和度量标准这些协议和标准用来评估目标检测、图像分类等任务的性能。这些评估协议详细说明了如何计算精确度、召回率和平均精度AP等指标以及如何处理边界框的匹配和重叠问题。具体的评估协议和度量标准文档可以在Open Images官方GitHub页面或相关技术论文中找到。
