mobilenetv2 tflite 不是 python3 的预期输出大小答案

【问题标题】：mobilenetv2 tflite not expected output size with python3mobilenetv2 tflite 不是 python3 的预期输出大小
【发布时间】：2019-02-25 10:26:00
【问题描述】：

我的 mobilenetV2 SSD 型号遇到问题。我使用详细的步骤 here 对其进行了转换，但我使用 CLI 工具 tflite_convert 进行相关步骤。

这很好，我可以执行推理，但输出大小不是我预期的。

以下python代码行

interpreter.get_output_details()

告诉我要取回 10 个检测框：

[{'shape': array([ 1, 10,  4], dtype=int32), 'index': 252, 'name': 'TFLite_Detection_PostProcess', 'quantization': (0.0, 0), 'dtype': <class 'numpy.float32'>}, {'shape': array([ 1, 10], dtype=int32), 'index': 253, 'name': 'TFLite_Detection_PostProcess:1', 'quantization': (0.0, 0), 'dtype': <class 'numpy.float32'>}, {'shape': array([ 1, 10], dtype=int32), 'index': 254, 'name': 'TFLite_Detection_PostProcess:2', 'quantization': (0.0, 0), 'dtype': <class 'numpy.float32'>}, {'shape': array([1], dtype=int32), 'index': 255, 'name': 'TFLite_Detection_PostProcess:3', 'quantization': (0.0, 0), 'dtype': <class 'numpy.float32'>}]

到目前为止一切顺利，但在我的 pipeline.config 文件中，我指定了以下 post_processing 设置

post_processing {
    batch_non_max_suppression {
        score_threshold: 9.99999993922529e-09
        iou_threshold: 0.6000000238418579
        max_detections_per_class: 100                                                            
        max_total_detections: 100
    }
    score_converter: SIGMOID
}

所以我希望输出的检测数为 100，因为在经典 tensorflow 中运行相同的模型会给我 100 个框。

有没有办法改变输出张量的大小？是在转化时还是在运行时？

我在经典张量流中的张量输出细节下面添加：

[<tf.Tensor 'prefix/detection_boxes:0' shape=<unknown> dtype=float32>, <tf.Tensor 'prefix/detection_scores:0' shape=<unknown> dtype=float32>, <tf.Tensor 'prefix/detection_classes:0' shape=<unknown> dtype=float32>, <tf.Tensor 'prefix/num_detections:0' shape=<unknown> dtype=float32>]

形状未知的地方，这是有道理的，因为我们可以有 100 个或更少的盒子......

我们将不胜感激。

如果有人问过类似的问题，但我显然没有找到，请原谅。谢谢。

【问题讨论】：

标签： python python-3.x tensorflow tensorflow-lite

【解决方案1】：

重读export_tflite_ssd_graph.py 脚本后，似乎有一个选项可以设置保留的最大检测数。

将此设置为 100 解决了我的问题。心情不好。

对于那些感兴趣的人，我从

更改了我的导出命令

python3 object_detection/export_tflite_ssd_graph.py \                                            
    --pipeline_config_path=$model_dir/pipeline.config \                                          
    --trained_checkpoint_prefix=$model_dir/model.ckpt \                                          
    --output_directory=$output_dir \                                                             
    --add_post_processing_op=true

到

python3 object_detection/export_tflite_ssd_graph.py \                                            
    --pipeline_config_path=$model_dir/pipeline.config \                                          
    --trained_checkpoint_prefix=$model_dir/model.ckpt \                                          
    --output_directory=$output_dir \                                                             
    --add_post_processing_op=true \                                                              
    --max_detections=100

【讨论】：