本文翻译自Medium上的文章：Step by Step TensorFlow Object Detection API Tutorial — Part 2: Converting Existing Dataset to TFRecord，原文地址：https://medium.com/@WuStangDan/step-by-step-tensorflow-object-detection-api
1 - 引言之前我们介绍了通过卷积神经网络可以给图像识别技术带来突破性的进展，现在我们从图像的预处理这个角度来继续提升我们图像识别的准确率。 输入的预处理需要使用TFRecord格式来同一不同的原始数据格式，并且更加有效的管理不同的属性。并且TensorFlow支持图像处理函数，可以通过预处理来弱化与图像识别无关的因素2 TFRecord输入数据格式TFRecord文件中的数据都是通过tf.tra
背景数据描述胆固醇、高血脂、高血压是压在广大中年男性头上的三座大山，如何有效的监控他们，做到早发现、早预防、早治疗尤为关键，趁着这个假期我就利用TF2.0构建了一套时序预测模型，一来是可以帮我预发疾病，二来也可以体验下TF2.0的特性。先来看下数据结构： date表示的是测量日期cholesterol代表胆固醇数值blood_fat代表血脂blood_pressure代表血压整个的建模思
二、数据准备 1）下载图片 图片来源于ImageNet中的鲤鱼分类，下载地址：https://pan.baidu.com/s/1Ry0ywIXVInGxeHi3uu608g 提取码: wib3 在桌面新建文件夹目标检测，把下载好的压缩文件n01440764.tar放到其中，并解压 2）选择图片 在此数据集中，大部分图片都较为清晰，但是有极少数图片像素点少，不清晰。像素点少
转载
2024-06-24 06:43:07
44阅读
摘要本次实战案例，少奶奶给大家带来了使用Tensorflow Lite方式把YOLOV3嵌入Android版APP中，该APP通过调用手机摄像头，实现实时检测并返回具体结果，从而实现自定义网络模型移植边缘设备的可能。通过阅读本篇博客，大家也可以获得以下提升： 1）自定义训练的网络模型都可以通过TensorFlow Lite移植到Android版的APP中，实现实时监测。 2）讲解Android项目
转载
2024-04-22 19:59:04
98阅读
平时工作就是做深度学习，但是深度学习没有落地就是比较虚，目前在移动端或嵌入式端应用的比较实际，也了解到目前主要有caffe2，腾讯ncnn，tensorflow，因为工作用tensorflow比较多，所以也就从tensorflow上下手了。下面内容主要参考&翻译： https://www.tensorflow.org/mobile/?hl
转载
2024-05-27 17:12:24
75阅读
承接移动端目标识别(２） 使用TensorFlow Lite在移动设备上运行 在本节中，我们将向您展示如何使用TensorFlow Lite获得更小的模型，并允许您利用针对移动设备优化的操作。 TensorFlow Lite是TensorFlow针对移动和嵌入式设备的轻量级解决方案。它支持
转载
2024-04-20 17:05:45
96阅读
window搭建TensorFlow Object Detection目标检测框架(超简单)这个框架十分方面，熟练掌握之后可以训练出很多目标检测的模型，简单易上手，这个教程会讲到车牌检测、行人检测、人脸口罩检测等模型。训练过程十分简单，适合刚入门时用来找信心。环境：win10，pycharm，anaconda3，tensorflow下载Object Detection项目（tensorflow/m
转载
2024-04-17 12:05:26
153阅读
一、tensorflow安装首先系统中已经安装了两个版本的tensorflow，一个是通过keras安装的， 一个是按照官网教程https://www.tensorflow.org/install/install_linux#InstallingNativePip使用Virtualenv 进行安装的，第二个在根目录下，做标记以防忘记。安装教程：使用 Virtualenv 进行安装
请按
转载
2024-07-23 15:58:10
60阅读
博主的此时的环境配置见此前博客Tensorflow Lite使用介绍_竹叶青lvye的博客接着前面的博客系列讲，这里来介绍下Tensorflow LIte。TensorFlow Litehttps://tensorflow.google.cn/lite/guide?hl=zh-cn博主的环境简单介绍如下：python 3.6.5tensorflow-gpu 2.6.2cuda version: 1
转载
2024-01-08 21:04:29
197阅读
实验目的使用 TensorFlow Object Detection API 进行实时目标检测（基于 SSD 模型）任务列表：行人识别人脸识别交通灯识别实时检测（平均 FPS>15）使用 tflite 将模型移植到嵌入式设备实验环境安装下载 Tensorflow 对象检测 APITensorflow/models 的 GitHub 地址：https://github.com/tensorfl
转载
2024-05-30 10:54:44
108阅读
TF Lite开发人员指南 目录： １ 选择一个模型 使用一个预训练模型 使用自己的数据集重新训练inception-V3,MovileNet 训练自己的模型 ２ 转换模型格式 转换tf.GraphDef 完整转换器参考 计算节点兼容性 Graph 可视化工具 ３ 在移动端app,使用Tens
转载
2024-08-07 17:21:38
77阅读
在这篇文章中，我们将探讨如何在 Android 平台上使用 TensorFlow Lite 进行物体检测。随着移动设备在视觉计算领域的应用越来越广泛，算法的快速响应和高效性能显得尤为重要。在这篇博文中，我们将从背景定位、参数解析、调试步骤、性能调优、排错指南及生态扩展，系统性地分析如何解决“Android TensorFlow Lite 物体检测”的问题。
### 背景定位
在当前的大数据时代
前几天Google的IO大会上发布的ML Kit，ML Kit为端上部署深度学习模型提供了一套完整的解决方案，本地运行、云端都支持。里面本地部署用到的就是Tensorflow lite。Tensorflow Lite是在Google去年IO大会上发表的，目前Tensorflow Lite也还在不断的完善迭代中。Tensorflow Lite在Android和iOS上部署官网有比较详细的介绍已经对应
转载
2024-03-14 20:44:25
357阅读
1评论
TensorFlow是谷歌基于DistBelief进行研发的第二代人工智能学习系统，其命名来源于本身的运行原理。Tensor（张量）意味着N维数组，Flow（流）意味着基于数据流图的计算，TensorFlow为张量从流图的一端流动到另一端计算过程。TensorFlow是将复杂的数据结构传输至人工智能神经网中进行分析和处理过程的系统。TensorFlow可被用于语音识别或图像识别等多项机器深度学习领
转载
2024-05-27 15:08:22
98阅读
Tensorflowlite 部署到 arm开发板一 先在本机上操作1 下载TensorFlow下载依赖2 准备ARM的交叉编译环境2.1 下载安装包2.2 解压安装包2.3 配置环境变量2.4 查看编译器版本3 交叉编译生成静态库4 官方Demo ：label_image的编译4.1 整理头文件4.2 cmake ,make 进行编译二 在开发板上操作 一 先在本机上操作本机：Ubuntu18
转载
2023-12-20 09:59:02
234阅读
前一篇讲述了TensorFlow object detection API的安装与配置，现在我们尝试用这个API搭建自己的目标检测模型。 一、准备数据集 本篇旨在人脸识别，在百度图片上下载了120张张钧甯的图片，存放在/models/research/object_detection下新建的images文件夹内，images文件夹下新建train和test两个文件夹，然后将120分为1
转载
2023-11-06 12:48:02
58阅读
Tensorflow Faster_rcnn记录第1步 下载模型第4步：anaconda配置第5步：设置运行的目录第6步：配置protobuf第7步：执行setup files第8步:准备数据集第9步：生成CSV文件第10步：设置要训练识别的类型第11步：模型训练的配置第12步：开始训练第13步：创建训练结果第14步：运行结果 采用 tensorflow 1.15.0第1步 下载模型链接：htt
转载
2024-10-21 13:25:40
66阅读
一·GPU版本前言，2.10和2.11都缺少很多DLL文件，而且找不全，2.12解压就会出现问题，2.8是我目前发现的能用的版本了，全部一模一样复刻。今天是7月26号，GPU只有2.10版本之前的，2.11和2.12只有CPU版本，我居然才知道，痛苦面具。结论tensorflow2.8.0 配合 cuda 11.8 +cudnn8.9 可行！1.1. GPU三个要求第一 cuda to
Inception-v3模型结构：Inception-v3简介：
1.基于大滤波器尺寸分解卷积
在视觉网络中，预期相近激活的输出是高度相关的。因此，我们可以预期，它们的激活可以在聚合之前被减少，并且这应该会导致类似的富有表现力的局部表示。
全卷积网络 减少计算可以提高效率
2.分解到更小的卷积
5×5换2个3×3
