问题标签 [tensorflow-ssd]

错误是按照此处Kernal Restarting: The kernel appears to have died. It will restart automatically.提到的步骤进行操作。内核在执行时崩溃- 在下面的代码中。interpreter.invoke()

我正在使用 Tensorflow 1.14.0 通过 Jupyter Notebook 运行代码

编辑 1：当我为二进制分类模型的 .tflite 文件运行相同的代码时，它工作正常。

我正在关注“走向数据科学”指南 https://towardsdatascience.com/custom-object-detection-using-tensorflow-from-scratch-e61da2e10087

我在第 6 步遇到了需要创建 tf 记录的问题。create_tf_record.py 脚本需要一个充满 png 的 trimaps 文件夹，但这很令人困惑。如果我已经给它提供了labelme创建的xml注释，我不应该不需要trimap的文件夹吗？训练所需的信息不是已经写入每个图像的 xml 文件吗？

如果我使用 Keras，修改架构将直接修改网络层：

但我似乎无法在 Tensorflow 中找到该结构：

https://github.com/tensorflow/models/blob/master/research/object_detection/samples/configs/ssd_mobilenet_v2_coco.config

我在看正确的文件吗？换句话说，我将如何向我的 tensorflow 模型添加额外的层（无论是卷积层、最大池层还是全连接层）？

为了从社区获得帮助，我们鼓励使用 Stack Overflow 和tensorflow.js标签。

不在浏览器中，使用 Node 命令

当我 使用预训练模型 [coco-ssd] 时，我正在使用coco-SSD 的 tensorflow.js for mobilenet v2 ，它工作得非常好，请参见下面的代码

在调用上面的代码node filename.js ./testImage.png时，它会给出想要的结果。

现在我有一个经过自定义训练的 coco-ssd 模型，我已使用以下命令将其转换为 tensorflow.js 格式 **tensorflowjs_converter --input_format=tf_saved_model --output_node_names='num_detections,detection_boxes,detection_scores,detection_classes' --signature_name=serving_default --saved_model_tags=serve ./saved_model ./ **一旦我获得了转换后的model.json，我编写了以下代码以推断自定义转换后的模型。

现在当我运行上面的代码时node fileName.js ./testImage.png得到以下错误

（节点：32504）UnhandledPromiseRejectionWarning：错误：张量必须具有由正整数组成的形状，但形状为 [100，]。 在断言 (C:\Users\xx\tfJs\node_modules@tensorflow\tfjs-core\dist\util.js:105:15) 在 C:\Users\xx\tfJs\node_modules@tensorflow\tfjs-core\dist\ util.js:646:9 at Array.forEach () at Object.assertNonNegativeIntegerDimensions (C:\Users\xx\tfJs\node_modules@tensorflow\tfjs-core\dist\util.js:645:11) at makeTensor (C: \Users\xx\tfJs\node_modules@tensorflow\tfjs-core\dist\ops\tensor_ops.js:73:16) 在 Object.tensor2d (C:\Users\xx\tfJs\node_modules@tensorflow\tfjs-core\dist \ops\tensor_ops.js:189:12) 在 C:\Users\xx\tfJs\tensorflowJs Classifier\coco-ssd.js:17:7039 在 C:\Users\xx\tfJs\node_modules@tensorflow\tfjs-core \dist\engine.js:388:22 在 Engine.scopedRun (C:\Users\xx\tfJs\node_modules@tensorflow\tfjs-core\dist\engine.js:398:23) 在 Engine.tidy (C:\用户\xx\tfJs\node_modules@tensorflow\tfjs-core\dist\engine.js:387:21）

请帮忙 ：-）

操作系统：Ubuntu 18.04，Tensorflow 模型：ssd_mobilenet_v2_quantized_300x300_coco_2019_01_03

我使用自己的数据重新训练了 ssd_mobilenet_v1_quantized_coco 模型。我已经使用脚本“ export_inference_graph.py ”成功生成了frozen_inference_graph.pb。但是当我运行脚本“ tflite_convert.py ”时，错误“ ValueError: Invalid tensors 'normalized_input_image_tensor ' were found ”。爆发。脚本的参数“ tflite_convert.py ”是

显然，input_arrays设置不正确。请告诉我如何设置input_arrays。

我对对象检测非常陌生，我很难弄清楚如何从 MobileNetV2 上的 Keras 应用程序获取边界框：https ://keras.io/applications/#mobilenetv2

该模型在预测图像内容方面效果很好，但是模型的预测不包括边界框。我正在使用 ResNet50 提供的 Keras 示例，但将其更改为 MobileNetV2，因为我需要轻量级 SSD 架构。

我使用了 MobileNetV2 的低级张量流实现

返回边界框。Keras 错过了这个还是我要疯了？非常感谢您的时间！

使用迁移学习，我在 TensorFlow (tensorflow-gpu==1.15.0) 中训练了 SSD MobileNetV2 (ssd_mobilenet_v2_coco.config) 模型。在使用 TensorFlow API Python 脚本 (export_inference_graph.py) 冻结图 (.pb) 后，我使用 OpenCV wiki (tf_text_graph_ssd.py) 中提供的 Python 脚本创建了一个文本图 (.pbtxt)。

我使用 wiki 中的 Python 代码片段来测试推理，但出现以下错误：

我正在使用 Windows 10、Python 3.6.8 和 OpenCV 4.2.0.32。我曾尝试降级 OpenCV，但早期版本会给出不同的错误。

但是，在 Ubuntu 18.04.4 中，从源代码安装 OpenCV，我没有收到任何错误。有人知道这是否是 Windows 的 OpenCV 二进制轮子中不兼容的层吗？我应该等到下一个版本吗？

我正在尝试以阅读阿拉伯数字序列的示例来学习 Tensorflow 对象检测 API（SSD + MobileNet 架构）。生成的图像具有不同长度的随机数字序列 - 从一位数到 20 位数字被馈送到输入。

结果是完美检测和读取短序列（最多 5 个字符）。长序列的一个可怕结果 - 字符被跳过或几个数字被读取为一个。

可能是什么问题呢？你可以考虑某种内置的预处理，但在训练阶段，网络也看到了不同长度的序列。

我想用我自己的图像使用 ssd + mobilenetv2 模型进行迁移学习。我只有一堂课。图像是从 OpenImageDataSet 下载的。我使用了 tensorflow 的对象检测 API。但是训练停留在 step = 0。

我验证了 TFRecord 已正确创建，因为我可以使用相同的数据通过对象检测 API 训练 fast_rcnn。我使用 repos 中的配置文件创建了自己的配置文件：ssd_mobilenet_v2_oid_v4.config。

我还尝试使用相应的配置文件从 ssd_mobilenet_v2_coco_2018_03_29.tar.gz 开始。行为是一样的——它也停留在同一个地方。

如何实现一个单次检测器，每个特征图单元只有一个锚框？我使用了 ssd mobilenet coco 2018 v1 并且我已经更改了配置文件中的锚生成器部分，即 ssd 锚生成器中的 num layers = 1。这样会好吗？？

https://github.com/tensorflow/models/blob/master/research/object_detection/samples/configs/ssd_mobilenet_v1_coco.config

anchor_generator { ssd_anchor_generator { num_layers: 6 min_scale: 0.2 max_scale: 0.95 aspect_ratios: 1.0 aspect_ratios: 2.0 aspect_ratios: 0.5 aspect_ratios: 3.0 aspect_ratios: 0.3333