arrays - tflite 对象检测推理无法正常工作

Question

您使用的模型的顶级目录是什么 :/home/USER/PROJECT/tf-models

我是否编写了自定义代码(而不是使用 TensorFlow 中提供的股票示例脚本) : 否

操作系统平台和发行版(例如，Linux Ubuntu 16.04) :Ubuntu 18.04

从(源代码或二进制文件)安装的 TensorFlow :二进制使用 conda

TensorFlow 版本(使用下面的命令) : 1.15

Bazel 版本(如果从源代码编译) : 1.2.1 用于运行转换

CUDA/cuDNN版本 :发布 9.1，V9.1.85

GPU 型号和内存 : gtx 1050Ti 4GB

重现的确切命令 :

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

描述问题

我重新训练了一个 float 模型 ssd_mobilenet_v2_coco在我自己的数据集上检测一个对象，在卡住图形并使用此 notebook 运行推理之后，该模型表现良好且符合预期。之后，我使用以下命令导出了 tflite_graph.pb:

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

然后使用以下命令将 tflite_graph.pb 转换为detect.tflite:

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

labelmap.txt包含使用 coco 数据集标签图样式的以下标签:

???
Object_1

我使用此 script 运行推理这是此 script 的自定义版本

输出非常奇怪，因为我们有负值和不准确的值，因此我们无法可视化任何检测:

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

我使用在 COCO 数据集上训练的默认权重测试了默认 SSD 移动网络模型上的推理文件，并且我能够可视化这些框，因为模型检测到汽车、人等。
我将量化的 SSD mobilenet v1 等默认模型的 QUANTIZED tflite_graph.pb 转换为detect.tflite，它能够输出框和 coco 数据集标签。

我不明白这些值是从哪里来的，以及为什么 tflite 模型在 tensorflow 检测时没有检测到。

还有一个量化的 SSD mobilenetv2 模型，我按照相同的步骤训练和转换，但使用以下命令:

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

输出这些值:

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

Answer 1

tflite 模型的输出需要后期处理。默认情况下，模型返回固定数量(此处为 10 个检测)。使用索引 3 处的输出张量来获取有效框的数量，num_det . (即顶部 num_det 检测是有效的，忽略其余部分)。

num_det = int(interpreter.get_tensor(output_details[3]['index']))
boxes = interpreter.get_tensor(output_details[0]['index'])[0][:num_det]
classes = interpreter.get_tensor(output_details[1]['index'])[0][:num_det]
scores = interpreter.get_tensor(output_details[2]['index'])[0][:num_det]

至于你的问题，没有有效的检测num: 0.0 .所以输出张量有垃圾值。
这是一个 link到具有输入预处理、输出后处理和 mAP 评估的推理脚本。