Tensorflow 了解export\u tflite\u ssd\u graph.py
这是关于在他们使用的某个点将Mobilenet+SSD转换为tflite的教程,据我所知,此自定义脚本用于支持Tensorflow 了解export\u tflite\u ssd\u graph.py,tensorflow,deep-learning,object-detection,Tensorflow,Deep Learning,Object Detection,这是关于在他们使用的某个点将Mobilenet+SSD转换为tflite的教程,据我所知,此自定义脚本用于支持tf.image.non_max_suppression操作 export CONFIG_FILE=gs://${YOUR_GCS_BUCKET}/data/pipeline.config export CHECKPOINT_PATH=gs://${YOUR_GCS_BUCKET}/train/model.ckpt-2000 export OUTPUT_DIR=/tmp/tflite
tf.image.non_max_suppression
操作
export CONFIG_FILE=gs://${YOUR_GCS_BUCKET}/data/pipeline.config
export CHECKPOINT_PATH=gs://${YOUR_GCS_BUCKET}/train/model.ckpt-2000
export OUTPUT_DIR=/tmp/tflite
python object_detection/export_tflite_ssd_graph.py \
--pipeline_config_path=$CONFIG_FILE \
--trained_checkpoint_prefix=$CHECKPOINT_PATH \
--output_directory=$OUTPUT_DIR \
--add_postprocessing_op=true
但我想知道什么是
pipeline.config
,如果我使用自定义模型(例如),如何创建它使用tf.image.non\u max\u suppression
操作?export\u tflite\u ssd\u graph.py的主要目标是将训练检查点文件导出到冻结的图形中,以后可以用于转移学习或直接推断(因为它们包含模型结构信息以及训练权重信息). 事实上,中列出的所有模型都是通过这种方式生成的冻结图
对于tf.image.non\u max\u suppression
,export\u tflite\u ssd\u graph.py
不用于“支持”它,但如果--add\u post processing\u op
设置为true
,则会在冻结的图形中添加另一个自定义op节点,此自定义节点的功能类似于optf.image.non_max_suppression
。见参考资料
最后,
pipeline.config
文件直接对应于您用于培训的中的一个配置文件(--pipeline\u config\u path
),它是它的副本,但通常具有修改的分数阈值(请参阅关于pipeline.config
的说明),因此,如果使用自定义模型,则必须在培训之前创建它。要创建自定义配置文件,请参阅官方教程。add\u postprocessing\u op
受tflite op支持,或者这样做的目的是什么?