Хотя модель python не добавляется к вопросу, но извлеченные узлы модели, размер тензора и их тип обеспечивают понимание для определения Ивент_классы, детектирование_скоры и детектирование_объекты.
Первый тензор имеет размер 400 и соответствует detection_boxes
. Оператор dataSyn c возвращает полностью выровненный массив. Размер 400 скорее всего соответствует форме [100, 4]
. Это подтверждается формой других тензоров, которая обсуждается ниже. [100, 4]
означает, что на входе есть 100 ограничивающих рамок - скорее всего, изображение. Конкретно, это означает, что первые четыре элемента соответствуют первому ограничивающему прямоугольнику, и так далее ...
Второй тензор соответствует detections_scores
. Есть 100 баллов обнаружения для 100 ограничивающих рамок. Первый элемент этого массива соответствует первым четырем элементам первого массива (detection_boxes
массив)
Третий массив соответствует detection_classes
. Это массив из 100 целых чисел, где каждое значение является индексом совпадающей метки.
Четвертый массив соответствует num_detections
. Он содержит сколько обнаружений: 100
Я посмотрел на вышеприведенный вывод, но не смог получить метки классов
Чтобы получить метку (строку) индекс, взятый из detection_classes
, должен использоваться против json (словарь в python) или массива, который содержит все метки и их индексы.
Следует отметить, что для * Модель 1031 * возвращает тот же вывод, что и модель python, вся обработка, выполненная для изображения в python до подачи модели, должна быть скопирована в js.