@ Jack.Liu: Это не связано с порогом здесь, это проблема модели, чтобы не определить надежно
аюсь реализовать пример API обнаружения объектов Tensorflow. Я следуюsentdex видео для начала. Пример кода работает отлично, он также показывает изображения, которые используются для проверки результатов, но не отображаются границы вокруг обнаруженных объектов. Просто изображение самолета отображается без каких-либо ошибок.
Я использую этот код:Это ссылка на Github.
Это мой результат после запуска примера кода.
другое изображение без какого-либо обнаружения.
Что мне здесь не хватает? Код включен в приведенную выше ссылку и нет журналов ошибок.
Результаты бокса, оценка, классы, число в этом порядке.
[[[ 0.74907303 0.14624023 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0.20880508 1. 1. ]
[ 0.74907303 0.14624023 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0.74907303 0.14624023 1. 1. ]
[ 0.74907303 0.14624023 1. 1. ]
[ 0.74907303 0.14624023 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0.74907303 0.14624023 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0.74907303 0.14624023 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0.74907303 0.14624023 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0.20934391 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0.20880508 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0.74907303 0.14624023 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0.74907303 0.14624023 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0.74907303 0.14624023 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0.74907303 0.14624023 1. 1. ]
[ 0.74907303 0.14624023 1. , 1. ]
[ 0.74907303 0.14624023 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0.74907303 0.14624023 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0.74907303 0.14624023 1. 1. ]
[ 0.74907303 0.14624023 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0.74907303 0.14624023 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]]]
[[ 0.03587547 0.02224986 0.0186467 0.01096812 0.01003207 0.00654409
0.00633549 0.00534311 0.0049596 0.00410213 0.00362371 0.00339186
0.00308251 0.00303347 0.00293389 0.00277099 0.00269575 0.00266825
0.00263925 0.00263331 0.00258657 0.00240822 0.0022581 0.00186967
0.00184311 0.00180467 0.00177475 0.00173655 0.00172811 0.00171935
0.00171891 0.00170288 0.00163755 0.00162967 0.00160273 0.00156545
0.00153615 0.00140941 0.00132407 0.00131524 0.0013105 0.00129431
0.0012582 0.0012553 0.00122365 0.00119186 0.00115651 0.00115186
0.00112369 0.00107097 0.00105805 0.00104338 0.00102719 0.00102337
0.00100349 0.00097762 0.00096851 0.00092741 0.00088506 0.00087696
0.0008734 0.00084826 0.00084135 0.00083513 0.00083398 0.00082068
0.00080583 0.00078979 0.00078059 0.00077476 0.00075448 0.00074426
0.00074421 0.00070195 0.00068741 0.00068138 0.00067262 0.00067125
0.00067033 0.00066035 0.00064729 0.00064205 0.00061964 0.00061794
0.00060835 0.00060465 0.00059548 0.00059479 0.00059461 0.00059436
0.00059426 0.00059411 0.00059406 0.00059392 0.00059365 0.00059351
0.00059191 0.00058798 0.00058682 0.00058148]]
[[ 1. 1. 18. 32. 62. 60. 63. 67. 61. 49. 31. 84. 50. 54.
15. 44. 44. 49. 31. 56. 88. 28. 88. 52. 17. 32. 38. 75.
3. 33. 48. 59. 35. 57. 47. 51. 19. 27. 72. 4. 84. 6.
55. 20. 58. 65. 61. 82. 42. 34. 40. 21. 43. 64. 39. 62.
36. 22. 79. 46. 16. 40. 41. 77. 16. 48. 78. 77. 89. 86.
27. 8. 87. 5. 25. 70. 80. 76. 75. 67. 65. 37. 2. 9.
73. 63. 29. 30. 69. 66. 68. 26. 71. 12. 45. 83. 13. 85.
74. 23.]]
[ 100.]
[[[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0.68494415 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0.68494415 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0.00784111 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0.68494415 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0.68494415 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0.68494415 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0.68494415 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0.68494415 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0.68494415 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0.68494415 1. 1. ]
[ 0. 0.68494415 1. 1. ]]]
[[ 0.01044297 0.0098214 0.00942165 0.00846471 0.00613666 0.00398615
0.00357754 0.0030054 0.00255861 0.00236574 0.00232631 0.00220291
0.00185227 0.0016354 0.0015979 0.00145072 0.00143661 0.00141369
0.00122685 0.00118978 0.00108457 0.00104251 0.00099215 0.00096401
0.0008708 0.00084773 0.00080484 0.00078507 0.00078378 0.00076876
0.00072774 0.00071732 0.00071348 0.00070812 0.00069253 0.0006762
0.00067269 0.00059905 0.00059367 0.000588 0.00056114 0.0005504
0.00051472 0.00051057 0.00050973 0.00048486 0.00047297 0.00046204
0.00044787 0.00043259 0.00042987 0.00042673 0.00041978 0.00040494
0.00040087 0.00039576 0.00039059 0.00037274 0.00036831 0.00036417
0.00036119 0.00034645 0.00034479 0.00034078 0.00033771 0.00033605
0.0003333 0.0003304 0.0003294 0.00032326 0.00031787 0.00031773
0.00031748 0.00031741 0.00031732 0.00031729 0.00031724 0.00031722
0.00031717 0.00031708 0.00031702 0.00031579 0.00030416 0.00030222
0.00029739 0.00029726 0.00028289 0.0002653 0.00026325 0.00024584
0.00024221 0.00024156 0.00023911 0.00023335 0.00021619 0.0002001
0.00019127 0.00018342 0.00017273 0.00015509]]
[[ 38. 1. 1. 16. 25. 38. 64. 24. 49. 56. 20. 3. 28. 2.
48. 19. 21. 62. 50. 6. 8. 7. 67. 18. 35. 53. 39. 55.
15. 57. 72. 52. 10. 5. 42. 43. 76. 22. 82. 4. 61. 23.
17. 16. 87. 62. 51. 60. 36. 58. 59. 33. 31. 54. 70. 11.
40. 79. 31. 9. 41. 77. 80. 34. 90. 89. 73. 13. 84. 32.
63. 29. 30. 69. 66. 68. 26. 71. 12. 45. 83. 14. 44. 78.
85. 46. 47. 19. 65. 74. 37. 27. 63. 88. 28. 81. 86. 75.
27. 18.]]
[ 100.]
РЕДАКТИРОВАТЬ: Согласно предложенным ответам, это работает, когда мы используемfaster_rcnn_resnet101_coco_2017_11_08 модель. Но это точнее, а потому медленнее. Я хочу это приложение с высокой скоростью, потому что я собираюсь использовать его в режиме реального времени (на веб-камере) для обнаружения объектов. Поэтому мне нужно использовать более быструю модель (ssd_mobilenet_v1_coco_2017_11_08)