我尝试将冻结的 SSD mobilenet v2 模型转换为 TFLITE 格式以供 Android 使用。这是我所有的步骤:我使用来自模型动物园的ssd_mobilenet_v2_coco_2018_03_29模型使用TF Object Detection API的 train.py 文件重新训练。(好的)使用同样由 TF Object Detection API 提供的export_inference_graph.py将训练好的 model.ckpt 导出到冻结的模型文件。(好的)使用 GPU 测试 Python 中的冻结图,并且仅允许使用 CPU。有用。(好的)缺点是,我尝试使用以下代码:import tensorflow as tftf.enable_eager_execution()saved_model_dir = 'inference_graph/saved_model/'converter = tf.contrib.lite.TFLiteConverter.from_saved_model(saved_model_dir,input_arrays=input_arrays,output_arrays=output_arrays,input_shapes={"image_tensor": [1, 832, 832, 3]})converter.post_training_quantize = True首先,我尝试不向函数添加输入形状参数,但没有奏效。从那时起我读到你可以在那里写任何无关紧要的东西。直到这一行的输出:INFO:tensorflow:Saver not created because there are no variables in the graph to restoreINFO:tensorflow:The specified SavedModel has no variables; no checkpoints were restored.INFO:tensorflow:The given SavedModel MetaGraphDef contains SignatureDefs with the following keys: {'serving_default'}INFO:tensorflow:input tensors info: INFO:tensorflow:Tensor's key in saved_model's tensor_map: inputsINFO:tensorflow: tensor name: image_tensor:0, shape: (-1, -1, -1, 3), type: DT_UINT8INFO:tensorflow:output tensors info: INFO:tensorflow:Tensor's key in saved_model's tensor_map: num_detectionsINFO:tensorflow: tensor name: num_detections:0, shape: (-1), type: DT_FLOATINFO:tensorflow:Tensor's key in saved_model's tensor_map: detection_boxesINFO:tensorflow: tensor name: detection_boxes:0, shape: (-1, 100, 4), type: DT_FLOATINFO:tensorflow:Tensor's key in saved_model's tensor_map: detection_scores我无法在此处复制控制台输出,因此它超过了 30000 个字符的限制,但您可以在这里看到它:https : //pastebin.com/UyT2x2Vk请在这一点上提供帮助,我该怎么做才能使其正常工作:(我的配置:Ubuntu 16.04,Tensorflow-GPU 1.12
1 回答
白衣染霜花
TA贡献1796条经验 获得超10个赞
基本上问题在于他们的主要脚本不支持 SSD 模型。我不是bazel
用来做这个的,而是tflite_convert
实用的。
小心使用export_tflite_ssd_graph.py
脚本,在使用它之前阅读它的所有选项(主要是救了我一命的 --max_detections)。
希望这可以帮助。
编辑:您的第 2 步无效。如果 save_model 包含 SSD,则无法将其转换为 tflite 模型。您需要使用export_tflite_ssd_graph.py
脚本导出经过训练的 model.ckpt并使用.pb
创建的文件使用tflite_convert
工具将其转换为 tflite 。
添加回答
举报
0/150
提交
取消