Ich würde gerne verstehen, wie die kürzlich veröffentlichten object_detection Modelle für den Einsatz in Tensorflow mit dem langfristigen Ziel, eine der Meta-Architekturen zu modifizieren, vorbereitet sind.Object_detection Implementierungsdetails
Gibt es eine Beschreibung darüber, wie die Meta-Architekturen (z. B. Faster R-CNN oder SSD) implementiert sind, oder liest der Code die einzige Möglichkeit, das herauszufinden? Insbesondere verstehe ich, wie diese Meta-Architekturen im Allgemeinen definiert sind (wie es in entsprechenden Artikeln beschrieben wird), aber ich verstehe nicht, wie sie in Tensorflow implementiert sind.
Selbst eine sehr allgemeine Übersicht, die beschreibt, wie der Ablauf in diesem Zusammenhang (oder mit einem nicht verwandten Modell) funktioniert, wäre sehr nützlich. (Ich bin mir bewusst, die kurzen object_detection
docs und die detection architecture guide, aber das ist es nicht.)
Besonders überwältigend ist, wenn bei diesen object_detection
Modellen sucht, sagen sie, von einem Keras Hintergrund ist, dass die Modelle definiert sind, unter Verwendung von relatively- große proto
und config
Dateien mit wenigen Kommentaren, während Nicht-Standard-Layer beteiligt sind. Darüber hinaus ist das Verfahren zum Erhalten der z. B. der Datei frozen_inference_graph.pb
, die beim Training aus den Dateien proto
und config
verwendet wird, überhaupt nicht offensichtlich.
Alle Quellen von Informationen oder Hinweise werden sehr geschätzt.
der Quellcode ist zu lang, und sehr schwer zu lesen, ich habe versucht, es auf mich selbst zu lesen, gab aber auf. Ich hoffe wirklich, dass der Autor es reorganisieren kann –