问题标签 [tensorflow-model-garden]

我已经根据（https://tensorflow-object-detection-api-tutorial.readthedocs.io/en/latest/）基于更快的 R-CNN 架构训练了一个自定义对象检测器。

有什么方法（例如，调整faster_rcnn.proto / pipeline.config）以接受（批量）裁剪对象作为输入并预测相应类（例如“跳过”RPN网络/回归）的方式导出这样的模型层。）

尽管存在不同的问题域，我想知道是否可以利用经过训练的模型，而不是基于特征提取器的架构分类骨干部分来训练新的分类器

很感谢任何形式的帮助！谢谢！

我需要一些帮助来转换 - https://tfhub.dev/google/faster_rcnn/openimages_v4/inception_resnet_v2/1到 tensorRT 以运行更快的推理。

我遇到过 tensorflow hub v2 模型的示例/教程，但不确定如何将它们用于 hub v1 模型。

请帮助我如何为用于对象检测任务的 tensorflow hub v1 模型做同样的事情。

我正在玩在这里找到的类 ObjectDetectionEvaluator() ，试图测试边缘情况以更好地理解对象检测评估指标。我遇到了一个有趣的情况，我对此感到困惑，希望能帮助我理解其背后的推理/合理性。

假设您有一张带有一个真实边界框和两个检测到的边界框的图像。这些检测都与 ground truth 属于同一类，超过了评估者的匹配 IoU 阈值，并且具有相同的置信度分数。为了说明情况，我在下面绘制并编码了问题。

出去：

正如我们在上面看到的，精度/召回率@k=1 都是 0/1=0，这是有道理的，因为尽管它们都满足分数/IoU 阈值，但将任一检测分类为真阳性是不正确的替代检测同样可能。但是在 k=2 时，其中一个检测被视为真阳性（精度 = 1/2，召回率 = 1/1）。我对这个结果感到困惑，因为是什么改变使其中一个检测比另一个更真实？我认为@k=2 的精度/召回率应该保持在 0。

如果这实际上是一个错误，那么我将创建一个 git 问题，但如果这实际上是预期的行为，如果有人能给我解释为什么，我将不胜感激？

谢谢你！

为了在 Tensorflow 中使用预训练模型，我们为 TensorFlow 克隆了 Model Garden，然后在 Model Zoo 中选择一个模型，例如Detection Model Zoo : EfficientDet D0 512x512。

有没有办法检测到正确版本的 Tensorflow，例如2.7.0, or 2.7.1, or 2.8.0，这肯定会与上述设置一起使用？

文档 ( README.md) 似乎没有提到这个要求。也许它以某种方式暗示？

我检查setup.py了对象检测，但仍然没有任何线索！

使用 VGGish_train_demo.py（下面的完整脚本），我们如何返回我们的模型，以便它可以再次用于新数据，例如使用model.fit(features)

model = this_model()在类似的脚本中，我通常会在模型定义和结尾处看到类似return model的内容。但是，我不知道如何整合像第一行这样的东西？

脚本。Github repo在这里，查看main(_)函数

我在 CoLab (Tensorflow )中使用TensorFlow 2 Detection Model Zoo中的预训练模型进行对象检测。v2.7.0

（新）数据集包含 255 张用于训练的图像。train_config > batch_size在pipeline.config是8。_ 所以我打算每一个 epoch 做一个检查点（因此，checkpoint_every_n：255/8= ~32），并且将训练100个 epoch ；因此，num_train_steps是3200。因此，我假设将生成100 个检查点文件。

但是，训练后只有7 个检查点文件。tree /F这是Windows 命令行上该工具的快照。

我错过了什么（例如某处的附加配置）吗？我的上述假设正确吗？或者这只是一个错误？

安装Tensorflow 对象检测 API会自动安装 Apache Beam。但是，Apache Beam 似乎依赖于 Dill 0.3.1.1，它与其他一些包（即 boto3）存在依赖冲突。我想知道这个问题是否有一些解决方法。

我只是对象检测主题的初学者，现在我得到了该领域的硕士论文主题。我的问题是使用 Tensorflow Model Garden 的预训练模型之一训练模型或创建自己的模型。从哪一个开始更有意义？我的任务是检测一个特定的物体并在世界坐标中找到它的坐标。

我正在使用 TF 对象检测 API。我有一个自定义数据集。我正在使用 SLURM 作业进行培训，并从那里调用 API 脚本。我正在尝试调整在 pipeline.config 文件中找到的超参数。不幸的是，在文档中，没有概述这种过程。该过程似乎是使用示例配置或手动调整超参数。

手动调整在某种程度上是可行的，例如为三个值（批量大小和步长）调整两个参数会产生九个不同的 .config，但添加另一个超参数会将其提升到我需要跟踪的 27 个文件。这似乎不是一个好方法，特别是因为它限制了我可以尝试的值并且很笨拙。

似乎有一些库可以连接到 Keras 和其他更高级的框架，但我发现没有任何东西看起来可以获取对象检测 API 的结果并实际优化它。

是否可以使用我不知道的预建库来做到这一点？我想避免自己编辑 API 实现或编码以尽量减少错误。