Tensorflow 官方检测模型下载

最新推荐文章于 2024-05-18 16:20:47 发布

原创最新推荐文章于 2024-05-18 16:20:47 发布 · 1.7k 阅读

CC 4.0 BY-SA版权

文章标签：

99 篇文章

订阅专栏

本文介绍了在多个数据集上预先训练的一系列目标检测模型，包括COCO、Kitti、开放图像等。这些模型适用于开箱即用的推理和模型初始化，详细列出了模型名称、速度、性能指标及输出类型。

我们提供了一组在COCO数据集、Kitti数据集、开放图像数据集、avavav2.1数据集和非自然物种检测数据集上预先训练的检测模型。如果您对这些数据集中已经存在的类别感兴趣，那么这些模型对于开箱即用的推理非常有用。在训练新的数据集时，它们对于初始化模型也很有用。

在下表中，我们列出了每个此类预先培训的模型，包括：

与samples/configs目录中用于训练此模型的配置文件相对应的模型名，
指向tar.gz文件的下载链接，该文件包含预先训练的模型，
模型速度——我们报告每600x600图像的运行时间（包括所有预处理和后处理），但请注意，这些计时高度依赖于个人的特定硬件配置（这些计时是使用Nvidia GeForce GTX TITAN X卡执行的），在许多情况下，应更多地视为相对计时。还要注意，桌面GPU计时并不总是反映移动运行时间。例如，Mobilenet V2在移动设备上比Mobilenet V1快，但在桌面GPU上稍慢。
在COCO验证集或开放图像测试的子集上的检测器性能被数据集特定的mAP度量所分割。这里，越高越好，我们只报告四舍五入到最近整数的边界框映射。
输出类型（框和掩码，如果适用）

您可以通过以下方式取消对每个tar.gz文件的tar：

tar -xzvf ssd_mobilenet_v1_coco.tar.gz

在解压目录中，您会发现：

图形原型（graph.pbtxt）
检查点（model.ckpt.data-00000-of-00001，model.ckpt.index，model.ckpt.meta）
一个冻结图原型，其权重作为常量烘焙到图中（frozen_inference_graph.pb），用于开箱即用的推理（在Jupyter笔记本中试试！）
用于生成图形的配置文件（pipeline.config）。它们直接对应于samples/configs）目录中的配置文件，但通常具有修改的分数阈值。对于更重更快的R-CNN模型，我们还提供了一个模型版本，该模型使用了大量的速度建议。
仅限移动模型：可在移动设备上部署的TfLite文件（model.TfLite）。

关于冻结推理图的一些注记：

如果您尝试评估冻结的图表，您可能会发现某些模型的性能数字略低于下表中的报告。这是因为我们在创建冻结图时丢弃分数低于阈值（通常为0.3）的检测。这有效地对应于在检测器的精确召回曲线上选择一个点（并丢弃超过该点的部分），这会对标准映射度量产生负面影响。
我们的冻结推理图是使用Tensorflow的v1.12.0版本生成的，我们不保证这些版本可以与其他版本一起使用；也就是说，通过重新运行导出程序，可以使用Tensorflow的当前版本重新生成每个冻结推理图，指向模型目录以及samples/configs中相应的配置文件。

Model name	Speed (ms)	COCO mAP¹	Outputs
ssd_mobilenet_v1_coco	30	21	Boxes
ssd_mobilenet_v1_0.75_depth_coco ☆	26	18	Boxes
ssd_mobilenet_v1_quantized_coco ☆	29	18	Boxes
ssd_mobilenet_v1_0.75_depth_quantized_coco ☆	29	16	Boxes
ssd_mobilenet_v1_ppn_coco ☆	26	20	Boxes
ssd_mobilenet_v1_fpn_coco ☆	56	32	Boxes
ssd_resnet_50_fpn_coco ☆	76	35	Boxes
ssd_mobilenet_v2_coco	31	22	Boxes
ssd_mobilenet_v2_quantized_coco	29	22	Boxes
ssdlite_mobilenet_v2_coco	27	22	Boxes
ssd_inception_v2_coco	42	24	Boxes
faster_rcnn_inception_v2_coco	58	28	Boxes
faster_rcnn_resnet50_coco	89	30	Boxes
faster_rcnn_resnet50_lowproposals_coco	64		Boxes
rfcn_resnet101_coco	92	30	Boxes
faster_rcnn_resnet101_coco	106	32	Boxes
faster_rcnn_resnet101_lowproposals_coco	82		Boxes
faster_rcnn_inception_resnet_v2_atrous_coco	620	37	Boxes
faster_rcnn_inception_resnet_v2_atrous_lowproposals_coco	241		Boxes
faster_rcnn_nas	1833	43	Boxes
faster_rcnn_nas_lowproposals_coco	540		Boxes
mask_rcnn_inception_resnet_v2_atrous_coco	771	36	Masks
mask_rcnn_inception_v2_coco	79	25	Masks
mask_rcnn_resnet101_atrous_coco	470	33	Masks
mask_rcnn_resnet50_atrous_coco	343	29	Masks

注：型号名称末尾的星号（☆）表示该型号支持TPU培训。

注：如果您下载了量化模型的tar.gz文件和untar文件，您将得到不同的文件集-检查点、配置文件和tflite冻结图（txt/binary）。

Model name	Pixel 1 Latency (ms)	COCO mAP	Outputs
ssd_mobilenet_v3_large_coco	119	22.6	Boxes
ssd_mobilenet_v3_small_coco	43	15.4	Boxes

Model name	Pixel 4 Edge TPU Latency (ms)	COCO mAP	Outputs
ssd_mobilenet_edgetpu_coco	6.6	24.3	Boxes

Model name	Speed (ms)	Pascal mAP@0.5	Outputs
faster_rcnn_resnet101_kitti	79	87	Boxes

Model name	Speed (ms)	Open Images mAP@0.5²	Outputs
faster_rcnn_inception_resnet_v2_atrous_oidv2	727	37	Boxes
faster_rcnn_inception_resnet_v2_atrous_lowproposals_oidv2	347		Boxes
facessd_mobilenet_v2_quantized_open_image_v4 ³	20	73 (faces)	Boxes

Model name	Speed (ms)	Open Images mAP@0.5⁴	Outputs
faster_rcnn_inception_resnet_v2_atrous_oidv4	425	54	Boxes
ssd_mobilenetv2_oidv4	89	36	Boxes
ssd_resnet_101_fpn_oidv4	237	38	Boxes

Model name	Speed (ms)	Pascal mAP@0.5	Outputs
faster_rcnn_resnet101_fgvc	395	58	Boxes
faster_rcnn_resnet50_fgvc	366	55	Boxes

Model name	Speed (ms)	Pascal mAP@0.5	Outputs
faster_rcnn_resnet101_ava_v2.1	93	11	Boxes

见MSCOCO评估协议。这里的COCO地图编号是在COCO 14 minival集上计算的（注意，我们的分割不同于COCO 17 Val）。在我们的分割中使用的图像id的完整列表可以在这里找到。 ↩︎
这是一个帕斯卡映射，具有稍微不同的真阳性计算方式：请参阅开放式图像评估协议，oid V2_检测度量。 ↩︎
在训练过程中会丢弃非面盒，在评估时会忽略非面真面盒。 ↩︎
这是开放式图像挑战度量：请参阅开放式图像评估协议、oid挑战检测度量。 ↩︎