，可以对狗和猫品种进行实时检测，并且手机上的空间不超过12M。请注意，除了在云中训练对象检测模型之外，你也可以在自己的硬件或Colab上运行训练。...为了加快这一速度，我们可以利用迁移学习 - 我们采用已经在大量数据上训练执行类似的任务的模型权重来，然后用我们自己的数据上训练模型，微调预训练模型的层。...训练后，我们的模型实现了82％的平均精确度。 接下来，查看TensorBoard 中的Images选项卡： ? 在左图中，我们看到了模型对此图像的预测，在右侧我们看到了正确的地面真值边框。...：） 使用TensorFlow Lite在移动设备上运行 此时，你以及拥有了一个训练好的宠物种类检测器，你可以使用Colab notebook在零点设置的情况下在浏览器中测试你自己的图像。.../demo/README.md 在尝试获得刚训练的宠物分类模型之前，首先运行带有默认模型的演示应用程序，该模型是在COCO数据集上训练的。
创建数据集并处理图像 创建数据集是成功训练模型所需的众多步骤中的第一步，在本节中，我将介绍完成此任务所需的所有步骤。...事实上，TensorFlow开发人员建议训练应该使用他们自己的和已经训练过的模型作为起点。这背后的原因是从头开始训练一个全新的模型可能需要相当长的时间。...每次训练产生一个新的检查点时，评估工具将使用给定目录中可用的图像进行预测(在我的例子中，我使用了来自测试集中的图像)。...更多的皮卡丘。这种检测是在TensorBoard中进行的 图像检测包包括一个notebook，用来测试TensorFlow提供的预先训练过的模型。...在开始的时候，我提供了一些关于这个库的背景信息以及它是如何工作的，接下来是关于如何标记、处理和图像来生成数据集的指南。后来，我把注意力集中在如何进行训练上。
这个 API 可以用于检测图像和/或视频中的对象，带有使用边界框，使用可用的一些预先训练好的模型，或者你自己可以训练的模型（API 也变得更容易）。...到了这里，你应该有一个图像目录，里面有所有的图像，以及 2 个额外的目录：训练和测试。在测试目录内应该是你的图像的月 10% 的副本与他们的 XML 注释数据，然后训练目录应该有其余的副本。...五、训练自定义对象检测器 欢迎阅读 TensorFlow 对象检测 API 系列教程的第 5 部分。在本教程的这一部分，我们将训练我们的对象检测模型，来检测我们的自定义对象。...现在，我们将使用示例笔记本，对其进行编辑，并查看我们的模型在某些测试图像上的工作情况。...以下是我的一些结果： 总的来说，我非常高兴看到它的效果有多棒，即使你有一个非常小的数据集，你仍然可以成功。使用迁移学习来训练一个模型只需要一个小时（在一个像样的 GPU 上）。 很酷！
在我的Github repo上发布了具有评估图像和检测脚本的最终训练模型。...它由以下步骤组成： 通过创建一组标记训练图像来准备数据集，其中标签代表图像中Wally的xy位置； 读取和配置模型以使用Tensorflow目标检测API； 在我们的数据集上训练模型； 使用导出的图形对评估图像的模型进行测试....tfecord文件在我的Github repo上。...我写了一些简单的Python脚本（基于Tensorflow 目标检测API），你可以在模型上使用它们执行目标检测，并在检测到的目标周围绘制框或将其暴露。...在自己的模型或自己的评估图像上使用脚本时，请确保修改model_path和image_path变量。 结语 在我的Github repo 上发布的模型表现非常出色。
在本示例中，将逐步使用TensorFlow对象检测API训练对象检测模型。尽管本教程介绍了如何在医学影像数据上训练模型，但只需进行很少的调整即可轻松将其适应于任何数据集。...更快的R-CNN是TensorFlow对象检测API默认提供的许多模型架构之一，其中包括预先训练的权重。这意味着将能够启动在COCO（上下文中的公共对象）上训练的模型并将其适应用例。...TensorFlow甚至在COCO数据集上提供了数十种预训练的模型架构。...在笔记本中，其余单元格将介绍如何加载创建的已保存，训练有素的模型，并在刚刚上传的图像上运行它们。 对于BCCD，输出如下所示： 模型在10,000个纪元后表现不错！...例如是要在移动应用程序中，通过远程服务器还是在Raspberry Pi上运行模型？模型的使用方式决定了保存和转换其格式的最佳方法。
我一直在使用Tensorflow目标检测API，并对这些模型的强大程度感到惊讶。我想要分享一些API实际使用案例的性能。...我用这个API设计了一个带有3个随机项目的“迷你”模型，这个模型可以很容易地检测出被放置的物品和数量。请参阅下面的GIF。通过各种各样的实验，我发现API即使在只有部分可见的商品上也表现得很好。 ?...2.创建模型 关于如何在自定义数据集上训练Tensorflow目标检测API，我已经写了一个非常详细的教程——用Tensorflow检测检测API构建一个玩具检测器。...已训练过的可用于COCO数据集的最新模型列表如下: 模型列表地址： https://github.com/tensorflow/models/blob/master/research/object_detection...Tensorflow CoCo训练的模型 有一种直接的交易，即b / w速度和准确性。对于实时检测，最好使用SSD模型或者Faster RCNN Inception（这是我个人喜欢的）。
我最喜欢的计算机视觉和深入学习的概念之一是目标检测。建立一个模型的能力，可以通过图像，告诉我什么样的物体存在！ ? 当人类看到一幅图像时，我们在几秒钟内就能识别出感兴趣的物体。机器不是这样的。...TensorFlow对象检测API 一种通用的目标检测框架 通常，我们在构建对象检测框架时遵循三个步骤： 首先，使用深度学习模型或算法在图像中生成一组的边界框（即对象定位） ?...TensorFlow对象检测API TensorFlow对象检测API是一个框架，用于创建一个深度学习网络来解决对象检测问题。 在他们的框架中已经有了预训练的模型，他们称之为Model Zoo。...这包括在COCO数据集、KITTI数据集和Open Images数据集上训练的预训练模型的集合。 它们对于在新数据集上进行训练时也很有用，可以用来初始化。..._coco 上测试的示例图像 ?
TensorFlow Object Detection API 的代码库是一个建立在 TensorFlow 之上的开源框架，旨在为人们构建、训练和部署目标检测模型提供帮助。...带有 Inception Resnet v2 的 Faster RCNN 上述每一个模型的冻结权重（在 COCO 数据集上训练）可被用于开箱即用推理。...在 TensorFlow API 的 GitHub 中，已经有经过 COCO 数据集训练过的可用模型了。COCO 数据集包含 30 万张图片，90 中常见事物类别。其中的类别包括： ?...object_detection/g3doc/detection_model_zoo.md 使用 API 首先，我尝试使用了其中最轻量级的模型（ssd_mobilenet）。...、分类、可视化工具等内容 打开一个新的会话并在一个图像上运行模型 总体而言，这个过程非常简单。
回想之前提到的迁移学习(transfer learning)，我们可以采用一种策略：在预训练模型的基础上，使用自有数据对模型进行训练和调优。...因为我的主要工作环境是Ubuntu，所以文章中都是以Ubuntu 16.04为例进行说明，不过TensorFlow和Python都具有良好的移植性，如果你使用的是Windows或MacOS，理论上只需稍作修改...查看下表，选择所需的与需求匹配的模型，这里只列出了一小部分模型。其中mAP代表平均精度，表示模型在COCO数据集上的执行情况。通常，计算时间更长的模型表现更好。...当我用3个样本交通灯图像测试时，我得到了以下结果： ? 正如上图所示，模型能够对第一张图像中的信号灯进行识别，但无法识别第二张图像中的信号灯。...我最终选择了R-FCN模型，该模型在我的样本图像上产生了以下结果。 ? 下一篇文章将展示如何将现有数据库转换为TensorFlow记录文件，这样可以使用它来重新训练模型。
本文中，我将会： 训练一个定制的目标识别模型以定位梅西 选择一个真实的赛事转播视频（本文中我使用的今年 8 月 31 日世界杯预选赛南美区，乌拉圭对战阿根廷的录像），看看我们能得到什么结果。...它包含三个重要的步骤： 构建有目标可供检测的定制数据集 通过 TensorFlow 训练和评估该模型 运用该模型 步骤： 构建自定义数据集 Moment 1....然后就是第一次测试，我收集来的 119 张足球比赛的图像（数量很小，但对测试来说足够了）。 我给大约 100 张梅西的图片添加了标签。 注：如要将样本投入正式的应用，这一步就需要更多图像。 3....这一步我使用的是机器学习引擎，因为我没有本地基础架构可以在 1 小时内执行完整个过程。...我希望你能从中获得乐趣，希望在未来，我们能够看到更多体育领域的 TensorFlow 实现。 ?
COCO数据集地址：http://cocodataset.org/#home 为了方便起见，我整理了一份可被COCO模型检测到的对象清单: 如果你想检测的对象不在这份名单上,那么你就必须构建你自己的自定义对象探测器...下载一个基本模型 从头开始训练对象探测器需要耗费几天的时间,即使你使用了多个GPU。为了加快训练速度,我们将一个对象检测器训练在一个不同的数据集，并且重新使用它的一些参数来初始化我们的新模型。...我使用MacBook Pro。如果你也在类似的计算机上运行的话,我假设你一个步长需要花费15秒左右的时间。按照这个速度需要大约三到四天的不间断运行才能得到一个合适的模型。...上使用P100 GPU快速地训练我们的模型!...10000个步长只花了大约一个小时的训练时间。然而,这还只是用了一个GPU。在PowerAI的帮助下,IBM创造了一个新的图像识别的记录，花费7小时达到33.8%的准确率。
本文旨在展示如何通过以下步骤使用TensorFlow的对象检测API训练实时视频对象检测器并将其快速嵌入到自己的移动应用中： 搭建开发环境 准备图像和元数据 模型配置和训练 将训练后的模型转换为TensorFlow...通过在tensorflow目录中的脚本下面运行，将生成量化模型以提高移动性能。...该文件包含图形和所有模型参数，并且可以通过Andriod和iOS设备上的TensorFlow Lite解释器运行。...在移动设备上运行TensorFlow Lite模型 现在，还有最后一步将模型嵌入到移动应用程序中，这应该很简单，因为TensorFlow已经提供了示例应用程序，使人们更容易测试模型。...建立项目后，该应用程序现在应该可以在移动设备上运行，并测试模型的性能如何！
开始训练 测试模型 一.环境安装： ubuntu： 1：TensorFlow环境二选一： 亲测用使用公开数据CPU需要在i5下跑一晚上，GPU只要30分钟，建议安装TensorFlow 1.00 pip...我将bin和include两个文件夹，移到C:\Windows目录下（在path的即可），然后再mdels（或者models-master）文件夹下运行如下命令： protoc.exe object_detection...详细内容可参考标准TensorFlow格式，Pascal VOC数据集，我存放一份在百度云的链接。。.../）我是使用的是 faster_rcnn_resnet101_voc07.config 配置文件分成五个部分， model模型的框架 meta-architecture, feature extractor...） eval是为空的，用于存放之后跑测试的文件 另外我比较喜欢在新建一个dete文件夹，存放上面处理后的record数据文件，和pascal_label_map .pbtxt类别映射表文件 然后开始运行吧
复现别人代码并且能够得到在公开数据集上和原作者相近甚至相同的实验结果对于我们做研究甚至以后的工作来说是至关重要的。...首先，我在D盘下新建一个文件夹并命名为tensorflow1，然后到 (https://github.com/tensorflow/models)上点击Download ZIP，将该API的源文件下载到刚才建立的文件夹下并解压.../train or test，输出的文件在object_detection文件夹下名称为：train.record 以及 test.record. 4.4：下载预训练的模型，然后进行相关配置 该API为我们提供了很多的预训练的模型...我上网查了很多解决方案但是都无济于事，偶然间发现了一个博客说最新的目标检测API在利用model_main.py进行训练时可能无法在GPU上顺利执行，因此我们采取了另外一个策略，也即通过运行legacy...4.7：测试训练好的检测器 我们在object_detection文件夹下随机放置一张从网上采集的扑克牌图片并命名为test1.jpg，然后在commond窗口中运行下面的代码（代码仍然是放在object_detection
（我是把protoc加到环境变量中，遇到找不到*.proto文件的报错，后来把protoc.exe放到models/object_detection目录下，重新执行才可以） 然后将models和slim...item { id: 1 name: 'sunglasses' } 训练： 根据自己的需要，选择一款用coco数据集预训练的模型，把前缀model.ckpt放置在待训练的目录，这里meta文件保存了...[1507864497052_9974_1507864492245.png] 从整体上看，loss曲线确实是收敛的，整体的训练效果还是满意的。...另外，TensorFlow还提供了训练过程中利用验证集验证准确性的能力，但是笔者在调用时，仍有些问题，这里暂时就不详细说明了。...Freeze Model模型导出： 查看模型实际的效果前，我们需要把训练的过程文件导出，生产.pb的模型文件。
因此，TensorFlow 目标检测 API 提供了一堆预训练模型，你可以在你的任务中对它们进行微调。这个过程被称为迁移学习，可以大幅加快你的训练过程。 ?...一堆在 MS COCO 数据集上的预训练模型 下载其中一个模型，并将内容解压到你的基础目录下。你将得到模型的 checkpoint、一个冻结推理图 和一个 pipeline.config 文件。...我们可以通过执行以下命令在测试集上运行我们的模型： python object_detection/inference.py \ --input_dir={PATH} \ --output_dir={PATH...我进行了一些实验，测量了使用三种不同模型检测到的人的 FPS 和计数准确率。此外，实验是在不同的资源约束（GPU 并行约束）上运行的。...事实证明，我们处理图像的设置比图像读取函数提供的速度快！ 视频处理系统的速度不能快于图像输入系统的速度。 为了证明我的假设，我先启动图像读取函数。
创建Tensorflow记录文件 一旦边界框信息存储在一个csv文件中，下一步就是将csv文件和图像转换为一个TF记录文件，这是Tensorflow的对象检测API使用的文件格式。...动画版圣诞老人 这个模型对动画和真人的图片都很有效果。 ? 真人版圣诞老人 输出模型 训练结束后，该模型被导出用于在不同图像上进行测试。...我们还为我们的模型建立了一个网页，网页从google搜索中提取图像，并试图在还原的图像中找到圣诞老人。...虽然该模型在准确地找到圣诞老人方面做得相当不错，我们也得到了错误的判断。错误的判断对于这种情况来说是指，图像中没有圣诞老人，但模型却预测图像中会有。 ?...错误的判断 结论 在使预测变得更准确和减少错误判断的数量上，还有很大的改进空间。接下来的步骤是了解更多关于配置文件中不同参数的信息，并更好地了解它们如何影响模型的训练及其预测。
在 Object Detection API 的示例代码中包含了一个训练识别宠物的 Demo，包括数据集和相应的一些代码。...TFRecord 数据文件是一种将图像数据和标签统一存储的二进制文件，能更好的利用内存，在 TensorFlow 中快速的复制、移动、读取、存储等。...准备转移学习 还需要一个 Pre-trained 模型来进行转移学习，尽量的缩短学习的时间，在这里仍然选择上一节课中使用的 ssd_mobilenet_v1_coco。 下载以后解压备用： ?...然后执行训练脚本： # 进入 tensorflow/models/research/ python object_detection/train.py \ --logtostderr...基本上可以看出，随着训练的进行，每一步的损失值是下降的，那是不是可以喝咖啡等待训练结束了呢？
/）训练出来的。...（想要了解更多跟模型有关的知识https://github.com/tensorflow/models/blob/477ed41e7e4e8a8443bc633846eb01e2182dc68a/object_detection...下载一个打包模型(.pb-protobuf)并把它载入缓存 2. 使用内置的辅助代码来载入标签，类别，可视化工具等等。 3. 建立一个新的会话，在图片上运行模型。 总体来说步骤非常简单。.../object_detection_tutorial.ipynb 这个模型在实例图像上表现得相当出色（如下图）： 更进一步——在视频上运行上 接下来我打算在视频上尝试这个API。...我使用了Python moviepy库，主要步骤如下： 首先，使用VideoFileClip函数从视频中提取图像； 然后使用fl_image函数在视频中提取图像，并在上面应用物体识别API。
在 GPU 上训练非平凡的基于 TensorFlow 的模型要比在 CPU 上训练要快得多，并且当前 NVIDIA 提供 TensorFlow 支持的最佳和最具成本效益的 GPU。...例如，在我的 iPhone 6 上平均需要大约 0.2089 秒，在 iPhone 6 模拟器上平均需要 0.0359 秒。...在本章中，我们将首先讨论为什么对于这样的图像分类任务，迁移学习或重新训练经过预训练的深度学习模型是完成任务的最经济有效的方法。...总而言之，我们将在本章中介绍以下主题： 迁移学习 - 什么和为什么 将 Inception v3 模型用于再训练 将 MobileNet 模型用于再训练 在示例 iOS 应用中使用经过重新训练的模型 在示例...例如使用手机的摄像头拍摄狗的照片和识别它的品种。 总结 在本章中，我们首先简要介绍了什么是迁移学习以及为什么我们能够并且应该使用它来重新训练经过预训练的深度学习图像分类模型。
领取专属 10元无门槛券
手把手带您无忧上云
云服务器
即时通信 IM
ICP备案
对象存储
实时音视频
