Я полагаю, что вы обратились к нам по поводу того же запроса. Я просто хотел вставить сюда ответ, чтобы другие могли сослаться на него:
"Модель обнаружения обычно имеет 4 выходных тензора для указания местоположений, классов, баллов, количества и обнаружений. Подробнее об этом можно прочитать здесь. Напротив, модель сегментации имеет только один выходной тензор, поэтому, если вы будете обращаться с ним одинаково, вы, скорее всего, будете пытаться получить доступ к неправильному региону памяти. Если вы хотите выполнить все три задачи на одном изображении, мой мы предлагаем создать 3 разных движка и подать изображение в каждый из них. Единственная проблема заключается в том, что при каждом переключении модели, скорее всего, будет узкое место передачи данных для загрузки модели в TPU. У нас есть пример о том, как вы можете запускать 2 модели на одном TPU, вы можете изменить его, чтобы он занимал 3 модели. "
На последнем замечании я только что увидел, что вы добавили:
как мне связать созданный мной файл label.txt на основе информации метки модели с этими цветами
Я просто не думаю, что это то, что вы можете сделать для модели сегментации, но, может быть, я просто запутался в вашем запросе?
Возьмем, например, модель обнаружения объектов, есть 4 выходных тензора второй тензор дает вам массив идентификаторов, ассоциированных с определенным классом, который вы можете сопоставить с файлом метки. Модели сегментации дают только пиксель, окружающий объекты.
[РЕДАКТИРОВАТЬ] Извинение, похоже, я один запутался в моделях сегментации. Цитата из моего колледжа :) "Вам интересно знать название метки, вы можете найти соответствующее целое число для этой метки из массива результатов в Semantic_segmentation.py. Где результат - данные классификации каждого пикселя.
Например,
, если вы напечатаете массив результатов в файле с bird.jpg в качестве входных данных, вы найдете значение нескольких пикселей как 3, что соответствует 4-й метке в pascal_voc_segmentation_labels.txt (поскольку индексирование начинается с 0). "