tflite_object detection

  1. https://github.com/tensorflow/models/blob/master/research/object_detection/g3doc/running_on_mobile_tensorflowlite.md  
  2.   
  3. export CONFIG_FILE=PATH_TO_BE_CONFIGURED/pipeline.configexport CHECKPOINT_PATH=PATH_TO_BE_CONFIGURED/model.ckptexport OUTPUT_DIR=/tmp/tflite  
  4.   
  5. object_detection/export_tflite_ssd_graph.py \  
  6. --pipeline_config_path=$CONFIG_FILE \  
  7. --trained_checkpoint_prefix=$CHECKPOINT_PATH \  
  8. --output_directory=$OUTPUT_DIR \  
  9. --add_postprocessing_op=true  
  10.   
  11. bazel run --config=opt tensorflow/lite/toco:toco -- \  
  12. --input_file=$OUTPUT_DIR/tflite_graph.pb \  
  13. --output_file=$OUTPUT_DIR/detect.tflite \  
  14. --input_shapes=1,300,300,3 \  
  15. --input_arrays=normalized_input_image_tensor \  
  16. --output_arrays='TFLite_Detection_PostProcess','TFLite_Detection_PostProcess:1','TFLite_Detection_PostProcess:2','TFLite_Detection_PostProcess:3' \  
  17. --inference_type=QUANTIZED_UINT8 \  
  18. --mean_values=128 \  
  19. --std_values=128 \  
  20. --change_concat_input_ranges=false \  
  21. --allow_custom_ops  
  22.   
  23. bazel run --config=opt tensorflow/lite/toco:toco -- \  
  24. --input_file=$OUTPUT_DIR/tflite_graph.pb \  
  25. --output_file=$OUTPUT_DIR/detect.tflite \  
  26. --input_shapes=1,300,300,3 \  
  27. --input_arrays=normalized_input_image_tensor \  
  28. --output_arrays='TFLite_Detection_PostProcess','TFLite_Detection_PostProcess:1','TFLite_Detection_PostProcess:2','TFLite_Detection_PostProcess:3'  \  
  29. --inference_type=FLOAT \  
  30. --allow_custom_ops  
  31.   
  32. cp /tmp/tflite/detect.tflite \  
  33. //tensorflow/lite/examples/android/app/src/main/assets  

版权声明:本文为CSDN博主「九是否非随机的称呼」的原创文章,遵循CC 4.0 BY-SA版权协议,转载请附上原文出处链接及本声明。
原文链接:https://blog.csdn.net/m0_50617544/article/details/120639106

我还没有学会写个人说明!

暂无评论

发表评论

相关推荐

《小目标目标检测的解决方法及方式》

《小目标目标检测的解决方法及方式》 最近在做小目标相关的项目,参考了一些博客、论文及书籍,在这里对小目标的方法和方式做了些总结。如果有哪些问题理解错误或补充欢迎讨论。 1.什么是小目标检测 在物体检测的各种实际

在Android上部署TF目标检测模型

在移动设备上部署机器学习模型是ML即将开始的新阶段。目标检测模型,已经与语音识别、图像分类等模型一起应用于移动设备。这些模型通常运行在支持GPU的计算机上,部署在移动设备上时也有大量用例。为了演示如何将ML模型&#x

darknet框架

darknet是一个较为轻型的完全基于C与CUDA的开源深度学习框架,其主要特点就是容易安装,没有任何依赖项(OpenCV都可以不用),移植性非常好,支持CPU