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

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op

tf.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？