在安装并使用tensorflow中的Object-detection模块时遇到的一些问题汇总及解决方法

前言:

     由于一些业务上的原因,需要做目标检测相关的部分。本来的想法是做特征值提取然后模式匹配,然后发现需要检测的目标种类比较多特征值也不太好提取。后来发现了一个名叫YOLO的用来目标检测的神经网络(https://pjreddie.com/darknet/yolo/)。效果非常好,但是似乎使用起来比较麻烦……和我目前用的开发环境不太相符,另外那台机器被我丢在学校了,所以放弃了。

     但是相应的,我的目光开始转向机器学习方面,比如tensorflow的目标检测模块,google为windows,macOS,Linux提供了api以及很丰富的资料(虽然官网的自疗非常混乱,但是依然可以发现一些有用的)。但是由于我选择的是windows开发环境,所以在面对前几个版本还不支持windows的tensorflow的时候有些力不从心,在调试配置运行demo的过程中遇到了很多问题,消耗了相当多的时间,仅此记录以为后人前鉴,也算是一份笔记,方便以后重新配置时查看。

·0——官方教程

    可以在

Mask R-CNN是TensorFlowObject Detection API模块支持的一种目标检测和实例分割模型。它是在Faster R-CNN的基础上进行扩展,具有更强大的能力,可以同检测目标并生成像素级的分割掩码。 Mask R-CNN在目标检测的基础上引入了一个额外的分割分支,用于生成目标的精确分割掩码。与传统的语义分割方法不同,Mask R-CNN能够对每个目标实例生成一个二进制掩码,从而实现精细的实例级别分割。 Mask R-CNN的主要特点和优势包括: 1. 目标检测和实例分割:Mask R-CNN不仅能够准确地检测出图像的目标物体,还能够为每个检测到的目标生成高质量的分割掩码。 2. 多任务学习:Mask R-CNN通过多任务学习的方式,同优化目标检测和实例分割任务,提高了模型的性能和泛化能力。 3. 区域建议网络(RPN):Mask R-CNN使用RPN来生成候选目标区域,从而减少了对全图进行密集检测的计算成本。 4. 特征金字塔网络(FPN):Mask R-CNN采用FPN来提取多尺度的特征,从而能够更好地处理不同尺度的目标,并提高检测和分割的准确性。 5. 可扩展性和易用性:TensorFlowObject Detection API提供了预训练的Mask R-CNN模型,并提供了训练、评估和推理的工具和接口,使得使用Mask R-CNN变得更加简单和高效。 通过使用Mask R-CNN,我们可以实现更精确的目标检测和实例分割任务,例如人体姿态估计、物体分割等。它在许多计算机视觉应用具有广泛的应用前景。
评论 2
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值