Tensorflow对象检测api测试时间(谷歌对象检测运行时间)

Question

Google 对象检测 API:

https://github.com/tensorflow/models/tree/master/research/object_detection

测试代码:

https://github.com/tensorflow/models/blob/master/research/object_detection/object_detection_tutorial.ipynb

我执行了 Google Object Detection API 的测试代码如下:

with detection_graph.as_default():
  with tf.Session(graph=detection_graph) as sess:
    start = time.time()
    image_tensor = 
    detection_graph.get_tensor_by_name('image_tensor:0')
    # Each box represents a part of the image where a particular 
    #object was detected.
    detection_boxes = 
    detection_graph.get_tensor_by_name('detection_boxes:0')        
    detection_scores = 
    detection_graph.get_tensor_by_name('detection_scores:0')
    detection_classes = 
    detection_graph.get_tensor_by_name('detection_classes:0')
    num_detections = 
    detection_graph.get_tensor_by_name('num_detections:0')

    for image_path in TEST_IMAGE_PATHS:
      image = Image.open(image_path)
      image_np = load_image_into_numpy_array(image)
      image_np_expanded = np.expand_dims(image_np, axis=0)
      # Actual detection.
      (boxes, scores, classes, num) = sess.run(
          [detection_boxes, detection_scores, detection_classes, 
         num_detections], feed_dict={image_tensor: image_np_expanded})

      # Visualization of the results of a detection.
      vis_util.visualize_boxes_and_labels_on_image_array(
          image_np,
          np.squeeze(boxes),
          np.squeeze(classes).astype(np.int32),
          np.squeeze(scores),
          category_index,
          use_normalized_coordinates=True,
          line_thickness=2)

    print("--- %s seconds ---" % (time.time() - start))    

根据 Google 研究论文，Google Object Detection API 支持的所有模型都具有实时性能! 但是，上面的测试代码显示检测一张图像大约需要3秒(实际上是200帧->130秒，400帧->250秒)。我认为这个结果是错误的，因为这个模型具有实时性能。

可能的原因我预料...

1. GPU 无法正常工作。
2. 错误的测量测试运行时方法

请让我知道如何准确测量检测时间。

更多详情，请引用以下链接 https://github.com/tensorflow/models/issues/3531

Answer 1

实际上，“object_detection_tutorial notebook”运行速度非常慢，因为它不仅仅是实际的推理。它加载图像，将其放入一个 numpy 数组，加载图形(计算量非常大)，以批量大小 1 运行实际推理并输出带有框的图像。

此脚本远未得到优化，也不适合时间紧迫的目的。它只是为了对模型进行快速视觉验证。

如果您想为生产部署模型(时间通常很重要)，Tensorflow Serve是你要找的。使用 Tensorflow 服务，您可以轻松构建运行模型的 GPU 服务器。它有几个功能可以让您的生活更轻松。所以你只需要将图像传递到你的服务器，它就会返回你的模型的输出。后处理应该用另一台服务器完成，因为 GPU 服务器通常非常昂贵。有几个很好的教程，它们描述了如何使用 Tensorflow Serve 设置对象检测服务器。例如here .它需要一些 docker 经验，但您会适应的!

希望这对您有所帮助!