Object_detection实现详情

Question

我想了解最近发布的object_detection模型是如何准备在Tensorflow中使用的，其长期目标是修改其中一个元架构。

有没有关于元架构(如更快的R-CNN或SSD)是如何实现的文章，或者阅读代码是唯一的答案？特别是，我理解这些元架构是如何定义的(正如相应的论文中所描述的那样)，但我不明白它们是如何在Tensorflow中实现的。

即使是一个非常高层次的概述，描述流如何在此上下文中工作(或使用不相关的模型)也会非常有用。(我知道short object_detection docs和detection architecture guide，但不是这样。)

当查看这些object_detection模型时，尤其令人震惊的是，在Keras背景下，这些模型是使用相对较大的proto和config文件定义的，而涉及到非标准层。此外，从proto和config文件中获得例如在训练中使用的frozen_inference_graph.pb文件的过程根本不明显。

任何信息或提示的来源都是非常感谢的。

Answer 1

我上周浏览了更快的R-CNN和SSD管道的代码库。我强烈建议您浏览一下代码库。这些函数/方法都有很好的文档记录，如果你从相应的论文中了解了细节，就很容易理解。为了理解config文件中的信息如何影响模型，我建议浏览各种构建器(在builders文件夹中)。如果您使用固态硬盘型号进行培训，请在model_builder.py中检查相应的function。在这里，来自config的所有信息都用于构造各种类的实例。model_builder.py由trainer.py中的train()函数调用

因此，简而言之，作为一个在一周前处于你的位置的人，我推荐的最好的方法是让你通过代码:)。