ObjectDetector

تشخیص اشیاء را بر روی تصاویر انجام می دهد.

از API انتظار یک مدل TFLite با TFLite مدل متاداده. به

API از مدل هایی با یک تانسور ورودی تصویر و چهار تانسور خروجی پشتیبانی می کند. به طور دقیق تر ، در اینجا شرایط مورد نیاز است.

• تانسور تصویر ورودی ( kTfLiteUInt8 / kTfLiteFloat32 )
  • ورودی تصویر از اندازه [batch x height x width x channels] .
  • استنتاج دسته ای پشتیبانی نمی شود ( batch مورد نیاز است که 1).
  • تنها ورودی RGB پشتیبانی می شوند ( channels مورد نیاز است که 3).
  • اگر نوع است kTfLiteFloat32 ، NormalizationOptions مورد نیاز برای به ابرداده عادی ورودی متصل می شود.
• تانسورها خروجی نباید از 4 خروجی از یک باشد DetectionPostProcess عملیات، یعنی:
  • تانسور محل سکونت ( kTfLiteFloat32 ):
    • تانسور از اندازه [1 x num_results x 4] ، آرایه درونی نمایندگی جعبه محدوده در قالب [بالا، چپ، راست، پایین.
    • BoundingBoxProperties مورد نیاز برای به ابرداده متصل می شود و باید مشخص type=BOUNDARIES و coordinate_type=RATIO .
  • کلاس های تانسور ( kTfLiteFloat32 ):
    • تانسور از اندازه [1 x num_results] ، هر مقدار به نمایندگی از عدد صحیح یک طبقه است.
    • اگر نقشه برچسب به ابرداده به عنوان متصل TENSOR_VALUE_LABELS همراه فایل ها، آنها استفاده می شود برای تبدیل ارزش تانسور به برچسب.
  • نمرات تانسور ( kTfLiteFloat32 ):
    • تانسور از اندازه [1 x num_results] ، هر مقدار نشان دهنده نمره از شی شناسایی شده است.
  • تعداد تانسور تشخیص ( kTfLiteFloat32 ):
    • NUM_RESULTS عدد صحیح به عنوان یک تانسور از اندازه [1] .

یک مثال از چنین مدل می توان در یافت TensorFlow توپی. به