首页
学习
活动
专区
圈层
工具
发布
精选内容/技术社群/优惠产品,尽在小程序
立即前往

当使用Tensorflow对象检测API创建的模型执行对象检测时,CNN的图像输入大小是多少?

当使用Tensorflow对象检测API创建的模型执行对象检测时,CNN的图像输入大小取决于所使用的预训练模型。不同的预训练模型可能具有不同的输入大小要求。

例如,当使用SSD(Single Shot MultiBox Detector)预训练模型时,通常要求输入图像的大小为300x300像素。而当使用Faster R-CNN(Region-based Convolutional Neural Networks)预训练模型时,通常要求输入图像的大小为600x600像素。

这些预训练模型的输入大小是根据模型的架构和训练数据集的特点进行设计的。较小的输入图像大小可能会导致检测性能下降,而较大的输入图像大小可能会增加计算成本和内存消耗。

在使用Tensorflow对象检测API时,可以根据具体的需求和硬件资源选择适合的预训练模型和相应的输入图像大小。

页面内容是否对你有帮助?
有帮助
没帮助

相关·内容

X射线图像中的目标检测

第二步:通过转换带标签的xml文件(包含每个图片元数据,例类别、对象位置)创建可读数据集。 第三步:将正样本的图像和注释文件转换为Tensorflow Record,用于目标检测模型的训练。...3.3 创建训练和训练模型 我们的训练是通过TensorFlow目标检测API完成的,我们可以从下面的链接下载和安装,还可以下载来自TensorFlow模型Zoo的配置文件和目标检测预训练模型。...,图像作为输入,模型会对该图像中包含的对象进行分类,而定位问题是定位图像中的对象的位置,但是仅仅定位并不能帮助我们预测图像中的对象类别。...,以解决梯度消失问题;其次,由于同一层中的过滤器大小不同,因此与Resnet相比它具有更深更宽的网络(结构);最后,为了解决因为减少输入大小引发的信息丢失问题,网络通过使用两个3x3卷积(而不是一个5x5...为了实现目标检测模型,我们使用Tensorflow目标检测API并在Google Cloud平台上训练,我们训练了几种模型并评估了它们的性能。 (3)模型评估指标。

1.6K20

用 TensorFlow 实现物体检测的像素级分类

最近,TensorFlow 的「物体检测 API」有了一个新功能,它能根据目标对象的像素位置来确定该对象的像素。换句话来说,TensorFlow 的物体检测从原来的图像级别成功上升到了像素级别。...使用 TensorFlow 的「物体检测 API」图片中的物体进行识别,最后的结果是图片中一个个将不同物体框起来的方框。...TensorFlow 的物体检测 API 模型——Mask-RCNN 实例分割 「实例分割」是物体检测的延伸,它能让我们在普通的物体检测的基础上获取关于该对象更加精确、全面的信息。...这两个阶段所使用的特征可以共享,以更快地获得图像推算结果。 Faster R-CNN 对每个候选对象都有两个输出,一个是分类标签,另一个是对象边框。...下一步的探索包括: 测试一个精确度更高的模型,观察两次测试结果的区别; 使用 TensorFlow 的物体检测 API 在定制的数据集上对 Mask RCNN 进行测试。

86520
  • 深度学习目标检测模型全面综述:Faster R-CNN、R-FCN和SSD

    几个月前,Google 为 Tensorflow 发布了一个新的目标检测 API。与其同时发布的还有针对一些特定模型预构建的框架和权重。...Fast R-CNN 在很多方面与 R-CNN 类似,但是,凭借两项主要的增强手段,其检测速度较 R-CNN 有所提高: 在推荐区域之前,先对图像执行特征提取工作,通过这种办法,后面只用对整个图像使用一个...以下是 R-FCN 的工作方式: 在输入图像上运行一个 CNN(本例中使用的是 ResNet)。 添加一个全卷积层,以生成位置敏感分数图的 score bank。...具体而言,给定一个输入图像以及一系列真值标签,SSD 就会进行如下操作: 在一系列卷积层中传递这个图像,产生一系列大小不同的特征图(比如 10x10、6x6、3x3 等等。)...但是,使用这些模型需要了解 Tensorflow 的 API。Tensorflow 有一份使用这些模型的初学者教程。 ?

    1.5K70

    算法集锦(10)| 自动驾驶、机器人 | 物品图像动态检测算法实现

    (1)应用VideoFileClip函数从视频中提取图像,并检测 (2)应用fl_image函数将提取的图像更换成检测后并标识的图像 (3)将更换后的图像组装成新的视频 使用Google物品检测API,...实例分割算法有很多种,在最新的Tensorflow物品检测API中,Google使用了Mask R-CNN技术,从而可以实现对图像的像素级检测。...该模型的输入和输出分别为: 输入:CNN特征图。 输出:在像素属于对象的所有位置上都具有1s的矩阵,其他位置为0s,这种规则被称为二进制掩码。...步骤1:搜集数据并创建masks 通常的物品检测方法需要用一个边界框来标识物品的位置。而Mask R-CNN技术则要求输入一个mask图像(通常为PNG文件)。 ?...步骤2:创建tensorflow记录(TF Records) tensorflow物品检测模型需要输入TFRecord文件,该文件将图像、边界框、mask等因素整个压缩到一起,所以训练模型时仅需调用一个文件就可以了

    87830

    YOLO论文翻译——中文版

    最后,YOLO学习目标非常通用的表示。当从自然图像到艺术品等其它领域泛化时,它都优于其它检测方法,包括DPM和R-CNN。 1....我们的系统(1)将输入图像调整为448×448,(2)在图像上运行单个卷积网络,以及(3)由模型的置信度对所得到的检测进行阈值处理。 首先,YOLO速度非常快。...快速R-CNN是一种顶级的检测方法[14],因为它看不到更大的上下文,所以在图像中会将背景块误检为目标。与快速R-CNN相比,YOLO的背景误检数量少了一半。 第三,YOLO学习目标的泛化表示。...当在自然图像上进行训练并对艺术作品进行测试时,YOLO大幅优于DPM和R-CNN等顶级检测方法。由于YOLO具有高度泛化能力,因此在应用于新领域或碰到意外的输入时不太可能出故障。...各种预训练模型也都可以下载。 2. 统一检测 我们将目标检测的单独组件集成到单个神经网络中。我们的网络使用整个图像的特征来预测每个边界框。它还可以同时预测一张图像中的所有类别的所有边界框。

    1.9K00

    【业界】Facebook发布开源“Detectron”深度学习库,用于对象检测

    几个星期后,谷歌发布了此版本的Tensorflow图像识别API。两个库都实现了最新的深度学习算法,用于对象检测。 ?...谷歌的Tensorflow图像识别API于2017年6月首次发布,是近40个不同深度学习项目中更大型Tensorflow研究库的一部分。...目前的对象检测模型建立在卷积神经网络(CNN)上,这是一种特定的神经网络结构。CNN在原始图片上使用滑动矩形窗口进行特征提取。 对象检测算法主要有两大类。...基于R-CNN的算法通过使用多种不同大小的滑动窗口来处理各种尺寸的检测对象。对象检测算法的YOLO(只看一次)类算法在图像上应用一次性网格,并使用不同的特征提取和决策架构。...这个重要的创新被称为实例分割,并且将每个像素归类为归属或不归属于推断的对象。 调查表明,TensorFlow对象检测API更容易用于训练专有模型。

    76140

    用 TensorFlow 实现物体检测的像素级分类

    最近,TensorFlow 的「物体检测 API」有了一个新功能,它能根据目标对象的像素位置来确定该对象的像素。换句话来说,TensorFlow 的物体检测从原来的图像级别成功上升到了像素级别。...使用 TensorFlow 的「物体检测 API」图片中的物体进行识别,最后的结果是图片中一个个将不同物体框起来的方框。...TensorFlow 的物体检测 API 模型——Mask-RCNN 实例分割 「实例分割」是物体检测的延伸,它能让我们在普通的物体检测的基础上获取关于该对象更加精确、全面的信息。...这两个阶段所使用的特征可以共享,以更快地获得图像推算结果。 Faster R-CNN 对每个候选对象都有两个输出,一个是分类标签,另一个是对象边框。...下一步的探索包括: 测试一个精确度更高的模型,观察两次测试结果的区别; 使用 TensorFlow 的物体检测 API 在定制的数据集上对 Mask RCNN 进行测试。

    1.2K60

    TensorFlow 卷积神经网络实用指南:1~5

    当您执行此操作时,TensorFlow 将执行图中需要执行的所有部分,以评估您要求其运行的tf.Tensor。...当网络完全卷积时,决定使用比输入的图像更大的输入大小图像并不重要,因为您没有任何需要固定输入大小的全连接层。 池化层 池化层用于减少 CNN 中我们的激活张量的空间尺寸,而不是体积深度。...为此,人们可以首先训练一个 CNN 分类器,其中包含我们想要检测的对象的小幅裁剪图像-调整大小与窗口大小相同。 汽车。 在测试时,固定大小的窗口会在要检测对象的整个图像中以滑动的方式移动。...目前,我们可以想象在图像上可以检测到的对象数量将是网格大小。 稍后,我们将看到如何处理每个网格单元的多个对象。...(锚盒) 创建用于 Yolo 对象检测的训练集 为了创建 YOLO 的训练集,将与 YOLO 网络的输出特征图预测相同大小的网格放置在每个训练输入图像上。

    1K10

    手把手教你用深度学习做物体检测(五):YOLOv1介绍

    我们的模型架构对输入图像用了多个下采样层,所以模型使用了相对粗糙的特征来预测边界框。最后,当我们在一个趋近检测效果的损失函数上训练时,我们的损失函数对待小边界框和大边界框的误差是一样的。...R-CNN及其变体使用候选区域而不是滑动窗口来查找图像中的对象。...与DPM一样,YOLO建模对象的大小和形状,以及对象之间的关系和对象通常出现的位置。...艺术图像和自然图像在像素级别非常不同,但是在物体的大小和形状上却是相似的,因此YOLO可以预测出良好的边界框并进行类别检测。 ?...不像滑动窗口和候选区域技术,YOLO在训练和预测时,看的是完整的图片,所以YOLO隐式编码了关于类别和类别外观的上下文信息,这大大减少了背景误检的情况。

    1.4K41

    构建对象检测模型

    我最喜欢的计算机视觉和深入学习的概念之一是目标检测。建立一个模型的能力,可以通过图像,告诉我什么样的物体存在! ? 当人类看到一幅图像时,我们在几秒钟内就能识别出感兴趣的物体。机器不是这样的。...TensorFlow对象检测API 一种通用的目标检测框架 通常,我们在构建对象检测框架时遵循三个步骤: 首先,使用深度学习模型或算法在图像中生成一组的边界框(即对象定位) ?...TensorFlow对象检测API TensorFlow对象检测API是一个框架,用于创建一个深度学习网络来解决对象检测问题。 在他们的框架中已经有了预训练的模型,他们称之为Model Zoo。...API的目标检测模型 加载对象检测模型: model_name = 'ssd_mobilenet_v1_coco_2017_11_17' detection_model = load_model(model_name...根据你的特定需求,你可以从TensorFlow API中选择正确的模型。如果我们想要一个高速模型,SSD网络的工作效果最好。

    1.2K10

    精通 TensorFlow 2.x 计算机视觉:第一部分

    在本节结束之前,您将能够执行以下操作: 了解图像过滤器如何转换图像(第 1 章) 应用各种类型的图像过滤器进行边缘检测(第 1 章) 使用 OpenCV 轮廓检测和定向梯度直方图(HOG)检测简单对象(...当前正在进行一些研究工作,以将手动 ISP 转换为基于 CNN 的处理以生成图像,然后将 CNN 与图像分类或对象检测模型合并以生成一个采用 Bayer 彩色图像并使用边界框检测对象的相干神经网络管道...大多数时候,当您使用终端在 TensorFlow 中执行 Python 代码时,转换问题会在低级 API 中发生。 Keras 是 TensorFlow 的高级 API。...TensorFlow 模型输出可以使用 Keras API 或 TensorFlow 图可视化。...优化 CNN 参数 CNN 具有许多不同的参数。 训练 CNN 模型需要许多输入图像并执行处理,这可能非常耗时。 如果选择的参数不是最佳参数,则必须再次重复整个过程。

    1.3K20

    【技术】使用Tensorflow对象检测接口进行像素级分类

    AiTechYun 编辑:yuxiangyu 在过去,我们使用Tensorflow对象检测API来实现对象检测,它的输出是图像中我们想要检测的不同对象周围的边界框。...Tensorflow对象检测API所使用的算法是Mask RCNN。...第二阶段才是Fast R-CNN的实质,它使用RoIPool从每个候选框中提取特征,并执行分类和边界框回归。两个阶段使用的特征可以共享以加快推断速度。...该模型使用各种卷积和最大池层,首先将图像解压缩至其原始大小的1/32。然后在这个粒度级别上进行类别预测。最后,它使用采样和去卷积层将图像调整到原始尺寸。...实现 使用图像测试 要使用图像测试此模型,可以利用tensorflow共享的代码。我测试了他们最轻量级的模型 - mask_rcnn_inception_v2_coco。

    1.1K40

    基于TensorFlow和Keras的图像识别

    其设计原则旨在用户友好和模块化,尽可能地简化TensorFlow的强大功能,在Python下使用无需过多的修改和配置 图像识别(分类) 图像识别是指将图像作为输入传入神经网络并输出该图像的某类标签。...图像分类的子集是对象检测,对象的特定实例被识别为某个类如动物,车辆或者人类等。 特征提取 为了实现图像识别/分类,神经网络必须进行特征提取。特征作为数据元素将通过网络进行反馈。...类似地,CNN的池化层将抽象出图像不必要的部分,仅保留相关部分。这由池化层指定的大小进行控制。 由于池化层需要决定图像中最相关的部分,所以希望神经网络只学习真正表示所讨论对象的部分图像。...这些层基本上形成了代表所讨论对象的不同部分的神经元集合,并且这些集合可能代表狗松软的耳朵或者苹果的红色。当足够的神经元被激活用于响应输入图像时,该图像将被分类为某个对象。 ?...需要确定所用模型的层数,层输入和输出的大小,所用激活函数的类型,以及是否使用dropout等。 如何设置参数和超参数需要大量的学习和经验的累积,本文将在示例讲解中对其进行介绍。

    2.8K20

    面向计算机视觉的深度学习:1~5

    在本章中,我们将通过了解以下主题来学习对象检测技术和实现行人检测: 基础知识以及定位和检测之间的区别 各种数据集及其描述 用于对象定位和检测的算法 TensorFlow API 用于对象检测 训练新的对象检测模型...该 API 建立在 TensorFlow 之上,旨在用于构建,训练和部署对象检测模型。 这些 API 支持对象检测和定位任务。 预训练模型的可用性可对新数据进行微调,从而加快训练速度。...TensorFlow 对象检测 API 使用 protobuf 导出模型权重和训练参数。...重新训练对象检测模型 使用相同的 API,我们可以为自定义数据集重新训练模型。 定制数据的训练涉及数据集的准备,选择算法以及执行微调。 整个流水线可以作为参数传递给训练脚本。...图像的这种比例处理可以通过使用其自己的 CNN 处理各种大小的图像,或者通过具有不同水平的卷积卷积的并行卷积来执行。

    1.2K30

    R-CNN、SPP-Net、Fast R-CNN…你都掌握了吗?一文总结目标检测必备经典模型(一)

    ,如实例分割、图像字幕、对象跟踪等。...目标检测的发展大致经历了两个历史时期:“ 传统的目标检测时期 ” ( 2014年以前 ) 和 “ 深度学习的目标检测时期 ” ( 2014年以后 )。本文重点回顾深度学习时代的经典模型。...如图1,R-CNN模型的具体实现步骤(以AlexNet网络为基准)如下:(1)确定图片中可能存在目标的侯选区域 (region proposal);(2)将候选区域调整为适应AlexNet网络的输入图像的大小...Fast R-CNN架构。将一个输入图像和多个感兴趣的区域(RoI)输入到一个全卷积网络。每个ROI汇集成一个固定大小的特征图,然后通过全连接层(FCs)映射成一个特征向量。...然后,RoI网络使用这个特征映射和所有输入RoI (R),而不是抽样的mini-batch,来执行正向传递。损失表示当前网络在每个RoI上的表现如何。

    54830

    精通 TensorFlow 2.x 计算机视觉:第二部分

    第 2 节:使用 TensorFlow 的计算机视觉高级概念 在本节中,您将基于在上一节中学到的知识来执行复杂的计算机视觉任务,例如视觉搜索,对象检测和神经样式迁移。...(第 5 章) 学习一些著名模型用于图像识别和对象检测的技术(第 5 章) 使用 Keras 数据生成器和tf.data将图像及其类别输入到 TensorFlow 模型中(第 6 章) 使用迁移学习的家具图像开发...TensorFlow 模型,并使用该模型对家具图像进行视觉搜索(第 6 章) 对图像执行边界框标注以生成.xml文件,并将其转换为.txt文件格式,以输入到 YOLO 对象检测器中(第 7 章) 了解...然后,我们导入顺序模型 API 以创建逐层模型,并使用随机梯度下降(SGD)和 Adam 优化器。...然后,执行以下命令以检测对象。 在这里,我们将使用与参考 Darknet 模型相同的图像进行检测。

    1K20

    在自己的数据集上训练TensorFlow更快的R-CNN对象检测模型

    在本示例中,将逐步使用TensorFlow对象检测API训练对象检测模型。尽管本教程介绍了如何在医学影像数据上训练模型,但只需进行很少的调整即可轻松将其适应于任何数据集。...检查数据集的健康状况,例如其类平衡,图像大小和长宽比,并确定这些数据可能如何影响要执行的预处理和扩充 可以改善模型性能的各种颜色校正,例如灰度和对比度调整 与表格数据类似,清理和扩充图像数据比模型中的体系结构更改更能改善最终模型的性能...当检查对象(细胞和血小板)在图像中的分布方式时,看到红血球遍布各处,血小板有些散布在边缘,白血球聚集在图像中间。...更快的R-CNN是TensorFlow对象检测API默认提供的许多模型架构之一,其中包括预先训练的权重。这意味着将能够启动在COCO(上下文中的公共对象)上训练的模型并将其适应用例。...使用Faster R-CNN的模型配置文件在训练时包括两种类型的数据增强:随机裁剪以及随机水平和垂直翻转。 模型配置文件的默认批处理大小为12,学习率为0.0004。根据训练结果进行调整。

    3.6K20

    TensorFlow 智能移动项目:1~5

    图像分类仅返回图像的类别标签,而对象检测返回图像中标识的对象列表以及每个标识对象的边界框。 现代的对象检测算法使用深度学习来构建可用于检测和定位单个图像中各种对象的模型。...在本章中,我们将首先简要概述对象检测:创建有效的深度学习模型进行对象检测,然后使用该模型进行推理的过程。...中使用对象检测模型 使用 YOLO2:另一种物体检测模型 对象检测 – 快速概述 自从 2012 年神经网络取得突破以来,当名为 AlexNet 的深层 CNN 模型通过大大降低错误率赢得了年度...重新训练预训练模型以执行更具体的检测任务 快速安装和示例 执行以下步骤来安装和运行对象检测推断: 在第 1 章,“移动 TensorFlow 入门”中创建的 TensorFlow 源根中,获取 TensorFlow...然后,我们详细介绍了如何使用 TensorFlow 对象检测 API 通过预训练的模型进行现成的推理,以及如何在 Python 中重新训练预训练的 TensorFlow 对象检测模型。

    4.6K20
    领券