TensorFlow 对象检测 API 中未检测到任何内容
Posted
技术标签:
【中文标题】TensorFlow 对象检测 API 中未检测到任何内容【英文标题】：Nothing is being detected in Tensorflow Object detection API 【发布时间】：2018-04-24 13:04:47 【问题描述】：我正在尝试实现 Tensorflow 对象检测 API 示例。我正在关注 sentdex 视频以开始使用。示例代码运行良好，它还显示了用于测试结果的图像，但没有显示检测到的对象周围的边界。只显示平面图像，没有任何错误。
我正在使用此代码：This Github link。
这是我运行示例代码后的结果。
另一个没有任何检测的图像。
我在这里缺少什么？代码包含在上面的链接中，没有错误日志。
box、score、classes、num的结果，按此顺序排列。
[[[ 0.74907303 0.14624023 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0.20880508 1. 1. ]
[ 0.74907303 0.14624023 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0.74907303 0.14624023 1. 1. ]
[ 0.74907303 0.14624023 1. 1. ]
[ 0.74907303 0.14624023 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0.74907303 0.14624023 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0.74907303 0.14624023 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0.74907303 0.14624023 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0.20934391 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0.20880508 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0.74907303 0.14624023 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0.74907303 0.14624023 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0.74907303 0.14624023 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0.74907303 0.14624023 1. 1. ]
[ 0.74907303 0.14624023 1. 1. ]
[ 0.74907303 0.14624023 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0.74907303 0.14624023 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0.74907303 0.14624023 1. 1. ]
[ 0.74907303 0.14624023 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0.74907303 0.14624023 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]]]
[[ 0.03587547 0.02224986 0.0186467 0.01096812 0.01003207 0.00654409
0.00633549 0.00534311 0.0049596 0.00410213 0.00362371 0.00339186
0.00308251 0.00303347 0.00293389 0.00277099 0.00269575 0.00266825
0.00263925 0.00263331 0.00258657 0.00240822 0.0022581 0.00186967
0.00184311 0.00180467 0.00177475 0.00173655 0.00172811 0.00171935
0.00171891 0.00170288 0.00163755 0.00162967 0.00160273 0.00156545
0.00153615 0.00140941 0.00132407 0.00131524 0.0013105 0.00129431
0.0012582 0.0012553 0.00122365 0.00119186 0.00115651 0.00115186
0.00112369 0.00107097 0.00105805 0.00104338 0.00102719 0.00102337
0.00100349 0.00097762 0.00096851 0.00092741 0.00088506 0.00087696
0.0008734 0.00084826 0.00084135 0.00083513 0.00083398 0.00082068
0.00080583 0.00078979 0.00078059 0.00077476 0.00075448 0.00074426
0.00074421 0.00070195 0.00068741 0.00068138 0.00067262 0.00067125
0.00067033 0.00066035 0.00064729 0.00064205 0.00061964 0.00061794
0.00060835 0.00060465 0.00059548 0.00059479 0.00059461 0.00059436
0.00059426 0.00059411 0.00059406 0.00059392 0.00059365 0.00059351
0.00059191 0.00058798 0.00058682 0.00058148]]
[[ 1. 1. 18. 32. 62. 60. 63. 67. 61. 49. 31. 84. 50. 54.
15. 44. 44. 49. 31. 56. 88. 28. 88. 52. 17. 32. 38. 75.
3. 33. 48. 59. 35. 57. 47. 51. 19. 27. 72. 4. 84. 6.
55. 20. 58. 65. 61. 82. 42. 34. 40. 21. 43. 64. 39. 62.
36. 22. 79. 46. 16. 40. 41. 77. 16. 48. 78. 77. 89. 86.
27. 8. 87. 5. 25. 70. 80. 76. 75. 67. 65. 37. 2. 9.
73. 63. 29. 30. 69. 66. 68. 26. 71. 12. 45. 83. 13. 85.
74. 23.]]
[ 100.]
[[[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0.68494415 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0.68494415 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0.00784111 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0.68494415 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0.68494415 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0.68494415 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0.68494415 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0.68494415 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0.68494415 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0. 1. 1. ]
[ 0. 0.68494415 1. 1. ]
[ 0. 0.68494415 1. 1. ]]]
[[ 0.01044297 0.0098214 0.00942165 0.00846471 0.00613666 0.00398615
0.00357754 0.0030054 0.00255861 0.00236574 0.00232631 0.00220291
0.00185227 0.0016354 0.0015979 0.00145072 0.00143661 0.00141369
0.00122685 0.00118978 0.00108457 0.00104251 0.00099215 0.00096401
0.0008708 0.00084773 0.00080484 0.00078507 0.00078378 0.00076876
0.00072774 0.00071732 0.00071348 0.00070812 0.00069253 0.0006762
0.00067269 0.00059905 0.00059367 0.000588 0.00056114 0.0005504
0.00051472 0.00051057 0.00050973 0.00048486 0.00047297 0.00046204
0.00044787 0.00043259 0.00042987 0.00042673 0.00041978 0.00040494
0.00040087 0.00039576 0.00039059 0.00037274 0.00036831 0.00036417
0.00036119 0.00034645 0.00034479 0.00034078 0.00033771 0.00033605
0.0003333 0.0003304 0.0003294 0.00032326 0.00031787 0.00031773
0.00031748 0.00031741 0.00031732 0.00031729 0.00031724 0.00031722
0.00031717 0.00031708 0.00031702 0.00031579 0.00030416 0.00030222
0.00029739 0.00029726 0.00028289 0.0002653 0.00026325 0.00024584
0.00024221 0.00024156 0.00023911 0.00023335 0.00021619 0.0002001
0.00019127 0.00018342 0.00017273 0.00015509]]
[[ 38. 1. 1. 16. 25. 38. 64. 24. 49. 56. 20. 3. 28. 2.
48. 19. 21. 62. 50. 6. 8. 7. 67. 18. 35. 53. 39. 55.
15. 57. 72. 52. 10. 5. 42. 43. 76. 22. 82. 4. 61. 23.
17. 16. 87. 62. 51. 60. 36. 58. 59. 33. 31. 54. 70. 11.
40. 79. 31. 9. 41. 77. 80. 34. 90. 89. 73. 13. 84. 32.
63. 29. 30. 69. 66. 68. 26. 71. 12. 45. 83. 14. 44. 78.
85. 46. 47. 19. 65. 74. 37. 27. 63. 88. 28. 81. 86. 75.
27. 18.]]
[ 100.]
编辑：根据建议的答案，当我们使用 faster_rcnn_resnet101_coco_2017_11_08 模型时它正在工作。但它更准确，这就是为什么更慢。我想要这个应用程序高速，因为我将在实时（在网络摄像头上）对象检测中使用它。所以我需要使用更快的模型（ssd_mobilenet_v1_coco_2017_11_08）
【问题讨论】：
你能告诉我们（boxes, scores, classes, num）的值吗？我想了解是否检测到任何物体。 我该怎么做？ @Zephro 可以打印box的坐标吗？ 是 ;) print(boxes), print(scores) ,... 我想在这里添加一个我也是。我尝试了完全相同（在 Linux 下）并且具有相同的行为。 【参考方案1】：问题出在模型上：'ssd_mobilenet_v1_coco_2017_11_08'
解决方法：换一个不同的版本'ssd_mobilenet_v1_coco_11_06_2017' （这个型号是最快的，换成其他型号会变慢，不是你想要的）
只需更改 1 行代码：
# What model to download.
MODEL_NAME = 'ssd_mobilenet_v1_coco_11_06_2017'
当我使用你的代码时，什么都没有显示，但是当 我用我以前的实验模型 'ssd_mobilenet_v1_coco_11_06_2017' 替换它时，它可以正常工作
【讨论】：
同样的问题.. 没有检测到对象.. 我使用这个模型进行迁移学习：ssdlite_mobilenet_v2_coco_2018_05_09 os: windows 7 python: Python 3.5.2 |Anaconda custom (64-bit)| （默认，2016 年 7 月 5 日，11:41:13）[MSC v.1900 64 位 (AMD64)] 在 win32 上 抱歉，我没听懂你的意思。你的意思是当你应用上面的代码时，程序仍然没有检测到任何对象？ 是的.. 我使用了 ssdlite_mobilenet_v2_coco_2018_05_09 并且可以设法将损失降至 0.9 仍然没有检测到任何对象.. 现在我已经切换到 ssd_mobilenet_v1_coca_2017_11_17 并且它似乎正在工作.. 我可以确认从“2017_11_08”更改模型，“11_06_2017”没有任何反应。我看到带有边界框的图像...谢谢@TinLuu！【参考方案2】：作为一种解决方法，将 #MODEL_NAME = 'ssd_mobilenet_v1_coco_2017_11_08' 更改为 MODEL_NAME = 'faster_rcnn_resnet101_coco_2017_11_08'。
【讨论】：
【参考方案3】：您可以使用较旧的 'ssd_mobilenet_v1 ...' 并使用盒子完全运行您的程序（我刚刚运行它，它是正确的）。这是此旧版本的link。希望他们尽快更正新版本！
【讨论】：
【参考方案4】：我以前也有同样的问题。
但是最近上传了一个新模型的ssd_mobilenet_v1_coco_2017_11_17'
我试过了，效果很好:)
【讨论】：
【参考方案5】：函数visualize_boxes_and_labels_on_image_array的代码如下：
for i in range(min(max_boxes_to_draw, boxes.shape[0])):
if scores is None or scores[i] > min_score_thresh:
所以，分数必须大于min_score_thresh（默认0.5），你可以检查是否有一些分数大于它。
【讨论】：
那么即使检测正确，为什么没有分数大于 0.5？ 那么如果模型 'ssd_mobilenet_v1_coco_2017_11_08' 有问题，那么是否意味着用它进行训练也会有问题？我试图用它训练，但它卡在第一步：global_step/sec：0。它卡了将近 9 个小时。我正在 CPU 上进行训练。 @Kaushal28 您可以使用模型“faster_rcnn_resnet101_coco_2017_11_08”而不是“ssd_mobilenet_v1_coco_2017_11_08” @Jack.Liu：这里和阈值无关，是模型问题检测不可靠以上是关于TensorFlow 对象检测 API 中未检测到任何内容的主要内容，如果未能解决你的问题，请参考以下文章
使用 Tensorflow Api 和 Opencv 在视频上裁剪检测到的对象
TensorFlow 对象检测 API - 对象检测 api 中的损失意味着啥？