与retrained_graph.pb文件一样，inceptionV3 tflite模型的准确度得分不高

Question

将retrained_graph.pb转换为tflite文件后，模型分数不是很好。

我们按照以下步骤获取tflite文件：

Step1。收集数据图像(.jpg)并将其放入如下文件夹结构中

tf_files/cockroaches_photos/americancockroach/images

ex:tf_files/cockroaches_photos/americoncockroach/4.jpg

Step2在训练之前，设置图像大小以及训练模型所需的架构。(inceptionV3/MobileNet)

设置图像大小：

IMAGE_SIZE=299

设置inception_v3的架构：

ARCHITECTURE="inception_v3"

Step3:使用默认的4000个时期重新训练模型：

python -m scripts.retrain   --bottleneck_dir=tf_files/bottlenecks   --model_dir=tf_files/models/"${ARCHITECTURE}"   --summaries_dir=tf_files/training_summaries/"${ARCHITECTURE}"   --output_graph=tf_files/retrained_graph.pb   --output_labels=tf_files/retrained_labels.txt   --architecture="${ARCHITECTURE}"  --image_dir=tf_files/i_cockr_photos

在我的例子中，行尾的输出是：

INFO: tensorflow:Final test accuracy = 93.2% (N=44)

Step4:修改脚本/label_image.py如下

input_height=299
input_width=299
input_layer=”Mul”
output_layer=”final_result”

Step5:使用retrained_graph.pb对图像进行分类

python -m scripts.label_image --graph=tf_files/retrained_graph.pb --image=tf_files/i_cockr_photos/germancockroach/images.jpg

输出:评估时间(1-image)：0.816秒

德国蟑螂0.88213褐斑蟑螂0.0920959美国蟑螂0.024512澳大利亚蜘蛛0.000708872温室蟑螂0.000419116

Step6:优化模型

python -m tensorflow.python.tools.optimize_for_inference   --input=tf_files/retrained_graph.pb   --output=tf_files/optimized_graph.pb --input_format=TENSORFLOW_GRAPHDEF  --output_format=TENSORFLOW_GRAPHDEF --input_shape=1,299,299,3  --input_names="Mul" --output_names="final_result"

Step7:使用optimized_graph.pb验证优化后的模型：

python -m scripts.label_image --graph=tf_files/optimized_graph.pb --image=tf_files/i_cockr_photos/germancockroach/images.jpg

评估时间(1张)：0.713秒

germancockroach 0.882129
brownbandedcockroach 0.0920963
americancockroach 0.0245122
australianspiderbeetle 0.000708876
greenhousecockroach 0.000419114

Step8:将模型转换为TFLite格式：(1)使用retrained_graph.pb

toco  --input_file=/home/sudheer_sure/t_working/tf_files/retrained_graph.pb  --output_file=/home/sudheer_sure/t_working/tf
_files/t_c_labs_retrained_graph.lite  --input_format=TENSORFLOW_GRAPHDEF  --output_format=TFLITE  --input_shape=1,299,299,3 --input_array=Mul --output_array=final_result --inference_type=FLOAT --input_type=FLOAT

(2)使用optimized_graph.pb

toco  --input_file=/home/sudheer_sure/t_working/tf_files/optimized_graph.pb  --output_file=/home/sudheer_sure/t_working/tf
_files/t_c_labs_optimized_graph.lite  --input_format=TENSORFLOW_GRAPHDEF  --output_format=TFLITE  --input_shape=1,299,299,3 --input_array=Mul --output_array=final_result --inference_type=FLOAT --input_type=FLOAT

(3)使用input_names & output_names参数的bazel & added转换tflite retrained_graph.pb：

sudo bazel-bin/tensorflow/contrib/lite/toco/toco '--input_format=TENSORFLOW_GRAPHDEF' '--input_file=/home/sudheer_sure/t_working/tf_files/retrained_graph.pb' '--output_format=TFLITE' '--output_file=/home/sudheer_sure/dummy/bazel_toco_retrain_inception_v3.lite' '--inference_type=FLOAT' '--inference_input_type=FLOAT' '--input_arrays=Mul' '--output_arrays=final_result' '--input_shapes=1,299,299,3' '--input_names=DecodeJpeg/contents' '--output_names=pool_3/_reshape'

(4)使用input_names & output_names参数的bazel & added转换tflite optimizedd_graph.pb：

sudo bazel-bin/tensorflow/contrib/lite/toco/toco '--input_format=TENSORFLOW_GRAPHDEF' '--input_file=/home/sudheer_sure/t_working/tf_files/optimized_graph.pb' '--output_format=TFLITE' '--output_file=/home/sudheer_sure/dummy/bazel_toco_object_inception_v3.lite' '--inference_type=FLOAT' '--inference_input_type=FLOAT' '--input_arrays=Mul' '--output_arrays=final_result' '--input_shapes=1,299,299,3' '--input_names=DecodeJpeg/contents' '--output_names=pool_3/_reshape'

在这里你可以比较我们在转换成tflite文件之前得到的分数，也就是直接从重新训练的图表和转换成tflite文件之后得到的分数

来自retarined_graph.pb的分数：

americancockroach 0.814701

greenhousecockroach 0.157736

germancockroach 0.0224954

brownbandedcockroach 0.00405233

australianspiderbeetle 0.000568162

来自TensorFlow .lite文件的分数：

australianspiderbeetle, 0.012658036

confusedflourbeetle, 0.013540811

americancockroach, 0.033697817

请让我知道需要做些什么来解决这个问题。

Answer 1

我认为这是ImageClassifier.java中classifyFrame()下的applyFilter()已经让数字变得平滑了。尝试删除它，然后再次检查输出。请参阅this answer 。