从tensorflow的对象检测api构建的包。
objectdetection的Python项目详细描述
TensorFlow对象检测API
创建能够定位和识别的精确机器学习模型 单一图像中的多个目标仍然是计算机视觉的核心挑战。 TensorFlow对象检测API是在 TensorFlow，便于构造、训练和部署目标检测 模型。在谷歌，我们肯定发现这个代码库对我们 计算机视觉需要，我们希望您也会这样。
"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
维护人员
- Jonathan Huang，Github:jch1
- Vivek Rathod，Github:墓碑
- Ronny Votel，Github:Ronnyvotel
- Derek Chow，Github:Derekjchow
- 陈孙，github:jesu9
- Zhu Menglong Github:梦想之龙
- Alireza Fathi，Github:afathi3
- 陆志超，Github:pkulzc
目录
设置：
快速入门：
-
快速入门：Jupyter笔记本，用于现成的推断
- 快速入门：训练宠物探测器
自定义管道：
跑步：
- 本地运行
- 在云上运行
附加服务：
- Tensorflow detection模型动物园
- 导出经过训练的模型进行推理
- 定义自己的模型体系结构
-
引入您自己的数据集
- 支持的目标检测评估协议
- 开放图像数据集的推理与评价
- 运行实例分段模型
- <人力资源部ef="g3doc/challenge\u evaluation.md" rel="nofollow">
运行2018年开放图像挑战赛的评估
- 与TPU兼容的检测管道
- 使用Tensorflow Lite在移动设备上运行对象检测
获取帮助
要获得使用TensorFlow对象检测可能遇到的问题的帮助 api，在stackoverflow上创建一个新问题 标签"tensorflow"和"object detection"。
请向 TensorFlow/Github型号 问题跟踪程序 使用"对象检测"发出名称。
请在之前查看常见问题解答 报告问题。
发布信息
2018年9月17日
我们发布了更快的带有resnet-50/resnet-101功能的r-cnn探测器 在不自然物种检测数据集上培训的提取器。 对模型进行了4米不饱和数据的训练分割 迭代，它们分别达到55%和58%的平均AP@.5，超过2854个类。 有关更多详细信息，请参阅本文。
感谢投稿人：Chen Sun
2018年7月13日
此版本中有许多新的更新，扩展了 API的功能：
- 从基于slim的培训转向基于 培训。
- 支持retinanet和mobilenets-open-source-models-for.html。 视网膜网的适应性。
- 一种新的基于ssd的体系结构称为池金字塔网络（ppn）。
- 发布多个与TPU兼容的型号。
这些可以在
samples/configs/目录中找到，并在 指示TPU兼容性的管道配置文件。 - 支持量化培训。
- 更新了新二进制文件、云培训和tensorflow lite的文档。
另请参见我们的扩展公告博客和随附教程，网址是TensorFlow博客
感谢投稿人：Sara Robinson、Aakanksha Chowdhery、Derek Chow， 金鹏冲、黄乔纳森、拉托德、陆志超、冯若妮
2018年6月25日
2018年开放图像挑战赛的附加评估工具已经推出。 在这里查看我们关于数据准备和运行评估的简短教程！
感谢贡献者：alina kuznetsova
2018年6月5日
作为对象检测API的一部分，我们已经发布了2018年开放图像挑战的两个轨道的评估指标的实现-参见llow">评估协议了解更多详细信息。 此外，我们还发布了一个用于Open Images Challenge的分层标签扩展工具：check outoid\u hierarchy\u labels\u expansion.py。
感谢贡献者：Alina Kuznetsova、Vittorio Ferrari、Jasper Uijlings
2018年4月30日
我们已经发布了一个更快的r-cnn检测器，带有resnet-101功能提取器，该提取器是在ava上训练的。 与其他常用的目标检测器相比，它将动作分类损失函数改为每类乙状结肠损失函数来处理多标签的盒子。 该模型在avavav2.1的训练分割上进行了150万次迭代，在avavav2.1的验证分割上，60个班的平均ap达到11.25%。 有关更多详细信息，请参阅本文。
感谢投稿人：陈旭、大卫·罗斯
2018年4月2日
使用下一代移动目标探测器为您的手机提供动力！ 我们正在添加对MobileNet v2的支持，其中ssdlite显示在 MobileNetv2：反向残差和线性瓶颈。 在同样的精度下，这款机型比谷歌像素手机CPU上的MobileNet v1固态硬盘（200毫秒对270毫秒）快35%。 除了模型定义，我们还发布了一个在coco数据集上训练的模型检查点。
感谢投稿人：朱梦龙、马克·桑德勒、陆志超、维韦克·拉托德、黄乔纳森
2018年2月9日
我们现在支持实例分割！！在这次API更新中，我们支持许多实例分段模型，这些模型类似于在屏蔽R-CNN文件中讨论的模型。有关详细信息，请参阅 我们的幻灯片来自2017年CoCo+Places研讨会。 有关如何配置模型的说明，请参阅运行实例分段模型的章节 除了对象边界框之外，还可以预测遮罩。
感谢投稿人：Alireza Fathi、Zhichao Lu、Vivek Rathod、Ronny Votel、Jonathan Huang
2017年11月17日
作为OpenImagesV3发行版的一部分，我们发布了：
- open images evaluation metric和协议的实现
- 用于分离检测和评估推断的其他工具（请参见本教程）。
- 在OpenImages V2数据发布版上培训的新检测模型（请参见OpenImages Models（打开图像模型）rel="nofollow">打开图像模型）。
请参见打开图像网站上的更多信息！
感谢投稿人：Stefan Popov、Alina Kuznetsova
2017年11月6日
我们已经在 模型动物园。除了什么 以前有，我们也增加了更快的r-cnn模型，在coco上训练 使用inception v2和resnet-50功能提取器，以及更快的r-cnn 使用在Kitti数据集上训练的Resnet-101模型。
感谢投稿人：Jonathan Huang，Vivek Rathod，Derek Chow， Tal Remez，陈孙。
2017年10月31日
我们发布了一个新的最先进的目标检测模型 使用 NASNET-A图像特化。这个 模型在测试开发验证数据上实现了43.1%的映射。椰子 动物园现有最佳模式改进6% 绝对地图的。
感谢投稿人：Barret Zoph、Vijay Vasudevan、Jonathon Shlens、Quoc le
2017年8月11日
我们已经发布了对android detect的更新 演示文稿< 现在将运行使用tensorflow对象训练的模型 Android设备上的检测API。默认情况下，它当前运行 冷冻固态硬盘w/mobilenet探测器培训的可可，但我们鼓励 你可以试试其他的探测模型！
感谢投稿人：Jonathan Huang，Andrew Harp
2017年6月15日
除了我们的基本张量流检测模型定义之外，这个 发布包括：
- 可培训检测模型的选择，包括：
- 带有MobileNet的单点多盒探测器（固态硬盘），
- 带初始版本2的固态硬盘，
- 基于区域的完全卷积网络（r-fcn），带有resnet 101，
- 使用resnet 101更快的rcnn，
- 使用inception resnet v2更快的RCNN
- 上述每个模型的冻结权重（在coco数据集上训练）为 用于开箱即用的推理。
- 用于执行的jupyter笔记本 使用我们发布的模型之一进行开箱即用推理
- 方便的本地培训 通过 谷歌云
感谢投稿人：Jonathan Huang，Vivek Rathod，Derek Chow， 陈荪，朱孟龙，唐马修，阿诺普·古拉提卡拉，阿利雷扎·法提，伊恩·费舍尔，兹比格涅夫·沃伊纳，杨松，塞尔吉奥·瓜达拉玛，贾斯珀·乌伊林， 维亚切斯拉夫·科瓦列夫斯基、凯文·墨菲
欢迎加入QQ群-->： 979659372
