Мой вопрос похож на Tensorflow Object Detection API неправильно определяет объекты/вообще не определяет объекты, но это другой вариант использования и этот вопрос не решен.
Я использую API обнаружения объектов для передачи обучения, чтобы идентифицировать лица (1 класс). Используемая предварительно обученная модель — ssd_mobilenet_v1_coco_11_06_2017. Это выполнялось в течение 1,5 часов и 3500 итераций, и потери составили около 4,5 (как и ожидалось, на первых нескольких итерациях произошло резкое падение, поэтому я предполагаю, что это еще не лучшая модель, но я должен получить заметные результаты)
Затем я использовал последнюю контрольную точку, экспортировал граф вывода, внес изменения в блокнот object_detection_tutorial. Однако это просто выводит мои тестовые изображения без каких-либо ограничивающих рамок (ПРИМЕЧАНИЕ: исходный блокнот работает нормально, и я могу видеть рамки, поэтому я предполагаю, что с моей моделью есть какая-то проблема, которую я не могу понять)
Я вставляю результаты, которые я использовал для отладки. Похоже, что координаты ограничивающей рамки имеют 1 и 0. Я также поэкспериментировал, изменив min_score_thresh в visualization_utils.py, но это тоже не помогает.
Выдержки из файла конфигурации (внесены изменения в образец. Изменено-num_classes на 1 и пути к моим соответствующим файлам)
model {
ssd {
num_classes: 1
box_coder {
faster_rcnn_box_coder {
y_scale: 10.0
x_scale: 10.0
height_scale: 5.0
width_scale: 5.0
}
fine_tune_checkpoint: "ssd_mobilenet_v1_coco_11_06_2017/model.ckpt"
train_input_reader: {
tf_record_input_reader {
input_path: "training/train.record"
}
label_map_path: "training/face-detection.pbtxt"
}
Пример вывода для полей обнаружения
array([[0. , 0.2554323 , 1. , 0.7534608 ],
[0.3012189 , 0. , 0.70924723, 1. ],
[0.18439636, 0. , 0.817055 , 1. ],
[0.05466348, 0.06271043, 0.95918256, 0.94578576],
[0.5260097 , 0.07892245, 0.97103214, 1. ],
[0.27985883, 0.5130247 , 1. , 1. ],
[0. , 0.41663095, 0.5991725 , 1. ],
[0.03816789, 0. , 0.4441032 , 1. ],
[0. , 0.5875985 , 1. , 0.9825353 ],
[0.5518031 , 0. , 0.9699122 , 0.9448744 ],
[0. , 0. , 0.6656574 , 0.7552371 ],
[0. , 0.07883103, 1. , 0.49962282],
[0.04292154, 0.57037276, 1. , 0.9573701 ],
[0.05089287, 0.00120801, 0.46899152, 1. ],
[0.43095234, 0.31733978, 1. , 1. ],
Выходные данные discovery_classess
[1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1,
1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1,
1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1,
1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1,
1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1]
пример вывода результатов обнаружения с низкими оценками, но изменение порога не помогает
3.20677400e-01, 3.19893241e-01, 3.14980447e-01, 3.09631795e-01,
2.53045678e-01, 2.52637416e-01, 2.52323598e-01, 2.41894022e-01,
2.40268022e-01, 2.40083978e-01, 2.36307651e-01, 2.15435311e-01,
2.14362189e-01, 2.13490084e-01, 2.12984398e-01, 2.10590839e-01,
2.03191489e-01, 1.66917413e-01, 1.64012805e-01, 1.60537049e-01,
6.71069846e-02, 6.55404702e-02, 3.69835161e-02, 3.63573395e-02,
3.15450728e-02, 2.46258732e-02, 2.34935526e-02, 2.04152763e-02,
1.82382613e-02, 1.56786684e-02, 1.50712561e-02, 1.47904372e-02,
1.45556601e-02, 1.41305756e-02, 1.14051756e-02, 1.02278581e-02,
9.46425926e-03, 8.77886359e-03, 8.67216382e-03, 7.98975583e-03
from_detection_checkpoint
правда или ложь? - person yann   schedule 24.12.2018