由Tensorflow的对象检测API构建的软件包。
项目描述
Tensorflow Object Detection API
创建能够定位和识别单张图像中多个对象的准确机器学习模型仍然是计算机视觉中的一个核心挑战。Tensorflow Object Detection API是一个基于Tensorflow的开源框架，使得构建、训练和部署对象检测模型变得简单易行。在谷歌，我们发现这个代码库非常适合我们的计算机视觉需求，并希望您也会觉得它很有用。
"Speed/accuracy trade-offs for modern convolutional object detectors."
Huang J, Rathod V, Sun C, Zhu M, Korattikara A, Fathi A, Fischer I, Wojna Z,
Song Y, Guadarrama S, Murphy K, CVPR 2017
维护者
- Jonathan Huang, github: jch1
- Vivek Rathod, github: tombstone
- Ronny Votel, github: ronnyvotel
- Derek Chow, github: derekjchow
- Chen Sun, github: jesu9
- Menglong Zhu, github: dreamdragon
- Alireza Fathi, github: afathi3
- Zhichao Lu, github: pkulzc
目录
设置
快速入门
自定义流水线
运行
附加内容
- Tensorflow 目标检测模型库
-
导出训练模型进行推理
-
定义自己的模型架构
-
引入自己的数据集
-
支持的目标检测评估协议
-
在 Open Images 数据集上进行推理和评估
-
运行实例分割模型
-
运行 Open Images Challenge 2018 的评估
-
与 TPU 兼容的检测流水线
-
使用 TensorFlow Lite 在移动设备上运行对象检测
获取帮助
如果您在使用 Tensorflow 目标检测 API 时遇到问题，请在 StackOverflow 上创建一个新的问题，并使用标签 "tensorflow" 和 "object-detection"。
请将错误（实际上是损坏的代码，不是使用问题）报告给 tensorflow/models GitHub 问题跟踪器，问题名称前缀为 "object_detection"。
在报告问题之前，请查看 常见问题解答。
发布信息
2018年9月17日
我们发布了在 iNaturalist 物种检测数据集 上训练的 Faster R-CNN 检测器，使用 ResNet-50 / ResNet-101 特征提取器。这些模型在 iNaturalist 数据的训练分割上训练了 4M 次迭代，分别在 2854 个类别上达到了 55% 和 58% 的平均 AP@.5。更多详情请参阅此 论文。
感谢贡献者：Chen Sun
2018年7月13日
这次发布有很多新更新，扩展了 API 的功能和能力
- 从基于 slim 的训练迁移到基于 Estimator 的训练。
- 支持 RetinaNet 以及 RetinaNet 的 MobileNet 版本。
- 一个名为 Pooling Pyramid Network (PPN) 的基于 SSD 的新型架构。
- 发布了一些与 TPU 兼容的模型。这些模型位于
samples/configs/目录中，并在流水线配置文件中有注释表明 TPU 兼容性。 - 支持量化训练。
- 更新了新二进制文件、云端训练和 Tensorflow Lite 的文档。
请参阅我们的 扩展公告博客文章 和 TensorFlow 博客 上的配套教程。
感谢贡献者：Sara Robinson, Aakanksha Chowdhery, Derek Chow, Pengchong Jin, Jonathan Huang, Vivek Rathod, Zhichao Lu, Ronny Votel
2018年6月25日
为 Open Images Challenge 2018 准备了额外的评估工具。请查看我们关于数据准备和运行评估的简短教程这里！
感谢贡献者：Alina Kuznetsova
2018年6月5日
我们已经发布了《Open Images Challenge 2018》两个赛道评估指标的实现，作为对象检测API的一部分 - 更多详细信息请参阅评估协议。此外，我们还发布了用于Open Images Challenge的层次标签扩展工具：查看oid_hierarchical_labels_expansion.py。
感谢贡献者：Alina Kuznetsova, Vittorio Ferrari, Jasper Uijlings
2018年4月30日
我们发布了一个在
感谢贡献者：Chen Sun, David Ross
2018年4月2日
用下一代移动目标检测器为您的手机加速！我们添加了对在MobileNetV2: Inverted Residuals and Linear Bottlenecks中提出的SSDLite的支持。在Google Pixel手机CPU上，该模型比Mobilenet V1 SSD快35%（200ms与270ms相同精度）。除了模型定义，我们还发布了在COCO数据集上训练的模型检查点。
感谢贡献者：Menglong Zhu, Mark Sandler, Zhichao Lu, Vivek Rathod, Jonathan Huang
2018年2月9日
我们现在支持实例分割了！！在这个API更新中，我们支持了类似于在Mask R-CNN论文中讨论的许多实例分割模型。更多详细信息请参阅2017 Coco + Places Workshop的我们的幻灯片。有关如何配置模型以预测掩码（除目标边界框外）的说明，请参阅运行实例分割模型部分。
感谢贡献者：Alireza Fathi, Zhichao Lu, Vivek Rathod, Ronny Votel, Jonathan Huang
2017年11月17日
作为Open Images V3发布的一部分，我们发布了
- Open Images评估指标和协议的实现。
- 用于分离检测和评估的额外工具（请参阅这篇教程）。
- 在Open Images V2数据发布上训练的新检测模型（请参阅Open Images模型）。
有关更多信息，请参阅Open Images网站！
感谢贡献者：Stefan Popov, Alina Kuznetsova
2017年11月6日
我们在模型库中重新发布了我们（预训练）模型的更快版本。除了之前可用的内容外，我们还添加了在COCO上使用Inception V2和Resnet-50特征提取器训练的Faster R-CNN模型，以及在一个在KITTI数据集上训练的Resnet-101的Faster R-CNN模型。
感谢贡献者：Jonathan Huang, Vivek Rathod, Derek Chow, Tal Remez, Chen Sun。
2017年10月31日
我们发布了一个使用Faster-RCNN和NASNet-A图像特征化进行目标检测的新模型。该模型在COCO的测试-dev验证数据集上实现了43.1%的mAP，比库中最好的模型绝对mAP提高了6%。
感谢贡献者：Barret Zoph, Vijay Vasudevan, Jonathon Shlens, Quoc Le
2017年8月11日
我们发布了Android Detect演示更新的版本，现在可以在Android设备上运行使用Tensorflow Object Detection API训练的模型。默认情况下，它目前运行一个在COCO数据集上训练的冻结SSD w/Mobilenet检测器，但我们鼓励您尝试其他检测模型！
感谢贡献者：Jonathan Huang，Andrew Harp
2017年6月15日
除了我们的基本Tensorflow检测模型定义外，本发行版还包括
- 一系列可训练的检测模型，包括
- 带有MobileNet的单次检测器（SSD），
- 带有Inception V2的SSD，
- 基于区域的完全卷积网络（R-FCN）与Resnet 101，
- 带有Resnet 101的Faster RCNN，
- 带有Inception Resnet v2的Faster RCNN
- 为上述每个模型冻结的权重（在COCO数据集上训练），用于开箱即用的推理目的。
- 一个用于使用我们发布的模型进行开箱即用推理的Jupyter笔记本
- 方便的本地训练脚本，以及通过Google Cloud的分布式训练和评估流程。
感谢贡献者：Jonathan Huang，Vivek Rathod，Derek Chow，Chen Sun，Menglong Zhu，Matthew Tang，Anoop Korattikara，Alireza Fathi，Ian Fischer，Zbigniew Wojna，Yang Song，Sergio Guadarrama，Jasper Uijlings，Viacheslav Kovalevskyi，Kevin Murphy
下载文件
下载适合您平台的文件。如果您不确定该选择哪个，请了解更多关于安装包的信息。
