ssd_mobilenet_v1_fpn_coco

ユースケースと概要説明

MobileNetV1 FPN はオブジェクト検出に使用されます。詳細についてはこちらを参照してください。

仕様

メトリック

値

タイプ

検出

GFLOPs

123.309

MParams

36.188

ソース・フレームワーク

TensorFlow*

精度

メトリック

値

coco_precision

35.5453%

入力

元のモデル

画像、名前: image_tensor、形状: 1, 640, 640, 3、形式: B, H, W, C。

説明:

  • B - バッチサイズ

  • H - 画像の髙さ

  • W - 画像の幅

  • C - チャネル数

予想される色の順序: RGB。

変換されたモデル

画像、名前: image_tensor、形状: 1, 640, 640, 3、形式: B, H, W, C。

説明:

  • B - バッチサイズ

  • H - 画像の髙さ

  • W - 画像の幅

  • C - チャネル数

予想される色の順序: BGR。

出力

元のモデル

  1. 分類子、名前: detection_classes。範囲 [1, 91] の予測された境界ボックスクラスが含まれます。このモデルは、91 カテゴリーのオブジェクトを含む Common Objects in Context (COCO) データセットでトレーニングされました。<omz_dir>/data/dataset_classes/coco_91cl_bkgr.txt ファイルで提供されるクラス名へのマッピング。

  2. 確率、名前: detection_scores。検出された境界ボックスの確率が含まれます。

  3. 検出ボックス、名前: detection_boxes。次の形式の検出ボックスの座標が含まれます:[y_min, x_min, y_max, x_max]、ここで (x_min, y_min) は左上隅の座標、(x_max, y_max) は右下隅の座標です。座標は入力画像サイズに再スケールされます。

  4. 検出番号、名前: num_detections。予測された検出ボックスの数が含まれます。

変換されたモデル

概要検出情報の配列、名前: DetectionOutput、形状: 1, 1, 100, 7、形式 1, 1, N, 7。ここで N は検出された境界ボックスの数です。

各検出の形式は次のとおりです。
[image_id, label, conf, x_min, y_min, x_max, y_max]

説明:

  • image_id - バッチ内の画像の ID

  • label - 予測されたクラスの ID

  • conf - 範囲 [1, 91] の予測クラスの信頼度。<omz_dir>/data/dataset_classes/coco_91cl.txt ファイルで指定されたクラス名にマッピングされます。

  • (x_min, y_min) - 境界ボックスの左上隅の座標 (座標は正規化された形式で、範囲 [0, 1])

  • (x_max, y_max) - 境界ボックスの右下隅の座標 (座標は正規化された形式で、範囲 [0, 1])

モデルをダウンロードして OpenVINO™ IR 形式に変換

以下の例に示すように、モデルをダウンロードし、必要に応じてモデル・ダウンローダーやその他の自動化ツールによってモデルを OpenVINO™ IR 形式に変換できます。

モデル・ダウンローダーの使用例:

omz_downloader --name <model_name>

モデル・コンバーターの使用例:

omz_converter --name <model_name>

デモの使い方

Open Model Zoo が提供する次のデモでこのモデルを使用して、その機能を確認できます。