object-detection

    0熱度

    1回答

    我設法運行教程中的tensorflow寵物示例。我決定使用最慢的模型(因爲我想用我自己的數據)。但是,當我開始訓練時,跑步後會死亡。它使用我所有的cpus(4)和我所有的內存8GB。你是否知道我可以將CPU數量限制爲2並限制使用的內存量?如果我減少批量大小?我的批量大小已經是1 我設法通過減少大小調整運行: image_resizer { keep_aspect_ratio_resizer { M

    0熱度

    1回答

    根據Nvidia網站上的信息Digits使用Kitti格式的數據集。在數字或外部應用程序中是否有可能編寫這樣的數據集,或者我必須自己編寫它? 我想簡單地在顯示的圖像上繪製邊界框,然後將其轉換爲txt appropiate txt文件。 在此先感謝!

    0熱度

    1回答

    我想在張量流對象檢測API中使用初始SSD模型。爲了初始化權重,我想使用pretrained Inception V2在圖像網上作爲特徵提取器。我看到模型配置文件允許您在COCO上使用預訓練模型,但是如果我想使用圖像網絡模型,我應該如何處理它?

    1熱度

    2回答

    我真的試圖運行模式,我在TensorFlow目標檢測API做了我自己的數據集,但運行腳本的時候,我得到這樣的錯誤: python object_detection/detect_test.py Traceback (most recent call last): File "object_detection/detect_test.py", line 81, in <module>

    1熱度

    1回答

    Link to paper 我想了解更快的rcnn區域提案網絡。我明白它在做什麼,但我仍然不明白訓練的準確性如何,特別是細節。 假設我們使用VGG16的最後一層形狀爲14x14x512(在maxpool之前和228x228圖像之前)以及k = 9個不同的錨點。在推理時,我想預測9 * 2類標籤和9 * 4邊界框座標。我的中間層是一個512維向量。 (圖像顯示256從ZF網絡) 在紙他們寫 「我們隨

    0熱度

    1回答

    我已經創建了一個用於分類(每幅圖像的平均值或平均值)或者語義分割(平均值或每像素預測值)的Ensemble,但我並不真正知道如何進行對象檢測..我的猜測是提取我所有網絡的所有區域提案,然後運行我的分類器,最好是對所有邊界框進行預測。但是我應該如何使用Object Detection API之後的體系結構來做到這一點? 我想區域提案可以使用extract_proposal_features提取,然後

    0熱度

    2回答

    我按照此頁面上此嘖嘖:https://github.com/tensorflow/models/blob/master/object_detection/object_detection_tutorial.ipynb 這個嘖嘖使用的預訓練的模型圖「frozen_inference_graph.pb」。現在我想建立我的自定義模型,爲我的數據集 有沒有一個簡單的例子來做到這一點?我根本不想使用Goog

    2熱度

    1回答

    我克隆上githug tensorflow對象檢測模型: github link 我要培養這種模式與我自己的數據(331個薩摩耶狗的圖像)通過這個博客教程click here 我的步驟如下: 創建PASCAL VOC格式數據集; 下載重新訓練模型(ssd_mobilenet_v1_coco_11_06_2017.tar.gz) 變化的配置文件(ssd_mobilenet_v1_pets.confi

    2熱度

    2回答

    我正在嘗試訓練快速rccn的小數位檢測模型。我正在使用新發布的tensorflow object detection API,到目前爲止一直在對來自動物園的預訓練faster_rcnn_resnet101_coco進行微調。我所有的訓練嘗試都產生了高精度但回憶率低的模型。在每個圖像中約120個物體(數字)中,只有約20個物體被檢測到,但是當檢測到分類是準確的時候。 (另外,我能夠從頭開始訓練我的裁

    -4熱度

    1回答

    我想做一些對象檢測,其中有兩個限制。 第一個是,目前我沒有大量的訓練圖像(目前大約有550張圖像)。 其次,我很可能無法看到整個對象,因此只能找到我嘗試檢測的部分對象。 我的問題是通過貝葉斯優化和結構化預測來嘗試Deep Convolutional Networks 這種情況很好嗎? 我把這篇論文作爲參考: Deep Convolutional Networks via Bayesian Opti