Вывод обнаружения объектов tflite не работает должным образом - PullRequest
Новая
       47

Вывод обнаружения объектов tflite не работает должным образом

1 голос
/ 21 января 2020
  • Какой каталог верхнего уровня используемой вами модели : / home / USER / PROJECT / tf-models
  • Написал ли я собственный код (в отличие от использования стандартного сценария, предоставленного в TensorFlow) : Нет
  • Платформа и распространение ОС (например, Linux Ubuntu 16.04) : Ubuntu 18.04
  • TensorFlow установлен из (источника или двоичного файла) : двоичный файл с использованием conda
  • TensorFlow версия (используйте команду ниже) : 1.15
  • Базельская версия (при компиляции из источника) : 1.2.1 используется для запуска разговора
  • CUDA / cuDNN версия : выпуск 9.1, V9.1.85
  • * Модель и память 1030 * GPU : gtx 1050Ti 4 ГБ
  • Точная команда для воспроизведения : 
bazel run -c opt tensorflow/lite/toco:toco -- \
--input_file=$INPUT_PATH/tflite_graph.pb \
--output_file=$OUTPUT_PATH/detect.tflite \
--input_shapes=1,300,300,3 \
--input_arrays=normalized_input_image_tensor \
--output_arrays='TFLite_Detection_PostProcess','TFLite_Detection_PostProcess:1','TFLite_Detection_PostProcess:2','TFLite_Detection_PostProcess:3' \
--inference_type=FLOAT \
--allow_custom_ops

Опишите проблему

Я переобучил модель с плавающей точкой ssd_mobilenet_v2_coco в своем собственном наборе данных, чтобы обнаружить один объект, после замораживания графика и выполнения логического вывода с использованием этого ноутбук , модель выполнена хорошо и как положено. После этого я экспортировал файл tflite_graph.pb с помощью этой команды: 

python3 object_detection/export_tflite_ssd_graph.py \
--pipeline_config_path=/PATH/pipeline.config \
--trained_checkpoint_prefix=/PATH/model.ckpt-50000 \
--output_directory=/PATH/tflite \
--add_postprocessing_op=True

Затем преобразовал файл tflite_graph.pb в detect.tflite, используя эту команду: 

bazel run -c opt tensorflow/lite/toco:toco -- \
--input_file=/PATH/tflite_graph.pb \
--output_file=/PATH/detect.tflite \
--input_shapes=1,300,300,3 \
--input_arrays=normalized_input_image_tensor \
--output_arrays='TFLite_Detection_PostProcess','TFLite_Detection_PostProcess:1','TFLite_Detection_PostProcess:2','TFLite_Detection_PostProcess:3' \
--inference_type=FLOAT \
--allow_custom_ops

Содержимое labelmap.txt следующая метка, использующая стиль метоккарты набора данных Coco: 

???
Object_1

Я выполняю логический вывод, используя этот скрипт , который является пользовательской версией этого скрипта

Вывод довольно странный, поскольку у нас есть отрицательные значения и неточные, и поэтому мы не можем визуализировать какое-либо обнаружение: 

image: /PATH/Inference_Notebooks/test_images/image15.jpg
boxes: 
[[  3.1171997    4.9266524  -15.893956     7.4959326 ]
 [ -1.904324     1.0337602   -7.818109    -7.9575577 ]
 [  1.4761205    2.4604938  -14.553953     8.159015  ]
 [  3.4024968    2.7483184   -9.744125     6.332321  ]
 [ -4.447262    -2.6578145   -1.9118335  -12.579478  ]
 [  1.5781038   -2.980986   -15.902752     5.9894757 ]
 [ -0.4003443  -12.641836    -5.6216025   -0.9522631 ]
 [ -1.3472033   -5.514964    -4.7609305  -11.9099045 ]
 [  2.6661258   -4.2592344  -13.687805    -4.15193   ]
 [ -0.49181542   9.271766    -3.5316777   -3.233222  ]] 
classes: [  2   0 -10   9  -4   3  -6  -7   0   2] 
scores: [ -5.54325      1.9508497   -6.1604195   -4.2281013   -0.02703065 0.707987   -11.534006     7.781439    -2.5938861   -2.5299745 ] 
number of detections: 0.0

Я тестировал файлы вывода на моделях SSD mobil enet по умолчанию, используя их значения по умолчанию весы тренировались на наборе данных COCO, и я смог визуализировать коробки, поскольку модель обнаруживала автомобили, людей и т. д. c .. Я преобразовал QUANTIZED tflite_graph.pb моделей по умолчанию, таких как квантованный SSD mobil enet v1, в обнаружил .tflite, и он был в состоянии вывести коробки и метки набора данных кокосовых орехов.

Я не понимаю, откуда эти значения и почему Модель tflite не обнаруживает, в то время как делает тензорный поток.

Также квантованная модель SSD mobilenetv2, которую я обучил и преобразовал, выполнив те же шаги, но с помощью этой команды: 

bazel run -c opt tensorflow/lite/toco:toco -- \
--input_file=/PATH/tflite_graph.pb \
--output_file=/PATH/detect.tflite \
--input_shapes=1,300,300,3 \
--input_arrays=normalized_input_image_tensor \
--output_arrays='TFLite_Detection_PostProcess','TFLite_Detection_PostProcess:1','TFLite_Detection_PostProcess:2','TFLite_Detection_PostProcess:3' \
--inference_type=QUANTIZED_UINT8 \
--mean_values=128 \
--std_values=128 \
--change_concat_input_ranges=false \
--allow_custom_ops

выводит эти значения: 

image: /home/neox/HistorIAR_Detection/Inference_Notebooks/test_images/image15.jpg 
boxes: 
[[1.0170084e+32 1.6485735e+30 2.5740889e+31 2.6057175e+31]
 [2.4791379e+31 6.3874716e+33 1.0232719e+32 1.0043315e+32]
 [6.4686013e+33 4.0425799e+32 1.0107439e+32 2.5712148e+34]
 [1.6069700e+33 4.0430743e+32 2.5712782e+34 1.0106698e+32]
 [2.5426435e+31 1.0233461e+32 1.0232968e+32 1.0170082e+32]
 [1.6272522e+33 4.0426789e+32 1.0234205e+32 1.6272126e+33]
 [2.5266129e+31 6.5147562e+30 2.5740879e+31 2.5742122e+31]
 [1.0423612e+32 1.0296598e+32 6.5144491e+30 6.3561451e+30]
 [1.0170081e+32 1.6372740e+33 6.1586925e+30 1.6170719e+33]
 [4.0172261e+32 1.0170823e+32 6.5090083e+33 1.0106451e+32]] 
classes: [-2147483648 -2147483648 -2147483648 -2147483648 -2147483648 -2147483648
 -2147483648 -2147483648 -2147483648 -2147483648] 
scores: [6.3787720e+33 1.0090909e+35 6.3066602e+33 1.6144633e+36 1.6146259e+36 1.6042820e+36 1.6145852e+36 6.4585042e+36 1.6042415e+36 4.0624248e+35] 
num: 0.0
...