问题标签 [mscoco]

我有一个来自 Tensorflow OD 的预训练 CocoModel，并在 kitti 数据集上对其进行了重新训练。

我只是想尝试对裁剪后的图像进行分类，但没有明确的文档说明张量的名称是什么。当我尝试使用 Tensorflow 的分类脚本时，它说 inceptionV3 模型中没有这样命名的张量。

有没有人已经尝试过并且知道张量的名称？

结果应该是可能的标签/类别及其分数的列表！

在此先感谢您的帮助

你好！感谢您的快速回复。

要获得概览：

1. 我使用了 MSCOCO 的相关模型进行对象检测
2. 我已经在具有 100 个图像的 KITTI 数据集上训练了模型
3. 我已经导出了 inference_graph 并对其他图像进行了分类。
4. 我为用户提供了一个标签工具来获取机器标签图像并更正它们。作为我想要实现的功能：

a) 绘制自己的边界框并标记它们（适用于 Canvas 和 Angular）

b）将此裁剪的边界框发送到我的服务器并从我的模型中获取类建议=>这是问题！我需要张量的名称来进行分类。

我试图重写自己的张量流分类图像.py https://github.com/tensorflow/models/blob/master/tutorials/image/imagenet/classify_image.py

我正在研究图像字幕，我发现这个很棒的 MS-COCO 挑战教程。MS_COCO 图片字幕演示

无论如何，我运行了演示，一切都很顺利。除了，当我尝试更改示例图像（我想运行其他图像）时，我收到此错误：

我知道导致此错误的代码是这样的：

我确保我在 val2017 的目录中。那么这里的问题是什么？有任何想法吗。非常感谢！

我想向 coco 数据集（90 个类）添加一个新类（例如：Handgun），以便检测 91 个不同的类。

我有这个：

数据集： 300 张关于手枪的图像

标签映射.pbtxt：

管道配置：

可能的解决方案：更改num_classes: 1为num_classes: 90+1?

非常感谢你回答我。

我想检测头盔和不戴头盔的人。我使用 ssd_mobilenet_v1_coco_11_06_2017 模型，其中包含 1000 个头盔图像和 1000 个不带头盔的图像。

1) 可以使用 ssd_mobilenet_v1_coco_11_06_2017 模型进行训练吗？如果没有，那么我可以使用什么型号？（因为 COCO 只有 90 个班级，头盔不在该列表中）

有人可以帮我清除我的疑问...

我开始使用cocoapi来评估使用Object Detection API训练的模型。在阅读了各种解释平均精度 (mAP) 和召回率的资料后，我对 cocoapi 中使用的“最大检测数”参数感到困惑。

据我了解（例如，此处、此处或此处），通过计算各种模型分数阈值的精度和召回率来计算 mAP。这给出了精确召回曲线，mAP 被计算为该曲线下面积的近似值。或者，以不同的方式表示，作为定义的召回范围 (0:0.1:1) 中最大精度的平均值。

然而，cocoapi 似乎计算了给定数量的最大检测（maxDet）的精度和召回率，得分最高。从那里得到精确召回曲线maxDets = 1, 10, 100。为什么这是一个很好的指标，因为它显然与上述方法不同（它可能不包括数据点）？

在我的示例中，每张图像有大约 3000 个对象。使用 cocoapi 评估结果会产生可怕的召回率，因为它将检测到的对象的数量限制为 100。

出于测试目的，我将评估数据集作为基本事实和检测到的对象（带有一些人工分数）提供。我希望精确度和召回率非常好，这实际上正在发生。但是一旦我输入超过 100 个对象，精度和召回率就会随着“检测到的对象”数量的增加而下降。尽管他们都是“正确的”！这有什么意义？

我想通过使用 json 文件在 MSCOCO 语义分割（仅东西）上训练我的模型，但键“计数”包含二进制字符。我错过了什么？

我正在使用 MXNet 并且数据加载器正在直接查找 json 文件。不知道如何使用 png 注释图像。

这是一个示例：

我有个问题。如何在 ms-coco 数据集中添加一个类？

我尝试学习 Mask-Rcnn，我需要在数据集中添加新类。但是，我不知道如何添加，而不是丢失以前的数据集。

请帮帮我

我正在使用 python coco api 来运行对象检测的评估。我有两个文件，一个基本事实 json 和一个结果 json。coco notebook 演示只显示所有类的运行评估。我怎样才能只为一个特定的类或类的子集运行它？目前我正在这样做：

我一直在寻找这样的 COCO API Jupyter 笔记本示例。这是一个简单的例子，展示了如何覆盖实例注释。但是，它没有显示如何在这些注释上显示标签（在多类情况下）和分数（用于预测）。这个 API 是否提供了该功能？

我用自己的数据训练了我的 Mask R-CNN 网络，我将其转换为 COCO Style 用于我的论文，现在我想评估我的结果。我找到了两种方法来做到这一点。一种方法是来自 COCO 本身的评估。Mask R-CNN 本身在他们的 coco.py 文件中展示了如何使用 COCO Metric 进行评估： https ://github.com/matterport/Mask_RCNN/blob/master/samples/coco/coco.py

我基本上使用第evaluate_coco(...)342 行中的函数。结果，我从 COCO 指标中获得了不同指标的平均精度和平均召回率的结果，请参见下图。对于参数 eval_type 我使用eval_type="segm".

对我来说，mAP 很有趣。我知道 mAP50 使用 0.5 作为 IuO（联合交叉点），它们的标准 mAP 是从 IuO = 0.5 到 0.95，步长为 0.05。

第二种方法来自 Mask R-CNN 本身在他们的 utils.py 中： https ://github.com/matterport/Mask_RCNN/blob/master/mrcnn/utils.py

函数的名称compute_ap(...)在第 715 行，上面写着 IoU 是 0.5。该函数返回一个 mAP 值。

这就提出了compute_ap()评估什么类型的问题。使用 COCO，您可以在“bbox”和“segm”之间进行选择。

我还想知道compute_ap(...)函数的 mAP 值和 COCO 的 mAP50 之间的区别，因为使用相同的数据我得到不同的结果。不幸的是我现在不能上传更好的图片，因为我只能在周一到周五去我的大学，周五我很匆忙，没有检查就拍照，但是所有 AP 的平均值compute_ap()是 0.91，我我很确定 COCO 的 AP50 是 0.81。

有人知道区别还是没有区别？

是不是因为maxDets=100这个参数？： 了解COCO评价“最大检测数” 我的图片只有4个类别，每张图片最多4个实例。

还是计算mAP的方式不同？

编辑：现在我对“Segm”类型和“BBox”类型的整个 COCO 度量有一个更好的图像，并将它与来自的结果进行compute_ap()比较，即“mAP：0,41416 ...”顺便说一句，如果有COCO 结果中的“-1”，这是否意味着该类型没有？