概述

对象检测器(Object Detector)可以从 COCO 数据集中 80 种不同的高级对象类别中识别出图像中存在的对象。该模型包含一个用于提取图像特征的深层卷积网络基础模型,以及专门用于对象检测任务的其他卷积层,这个模型在 COCO 数据集上进行了训练。该模型的输入是图像,输出则是图像中所检测到对象的预估类别概率列表。该模型基于针对 TensorFlow 的 SSD Mobilenet V1 对象检测模型

模型元数据

领域 应用 行业 框架 训练数据 输入数据格式
视觉 对象检测 通用 TensorFlow COCO 数据集 图像 (RGB/HWC)

参考资料

许可

组件 许可 链接
模型 GitHub 代码库 Apache 2.0 许可
模型权重 Apache 2.0 TensorFlow 模型仓库
模型代码(第三方) Apache 2.0 TensorFlow 模型仓库
测试资产 CC0 样本 README

可用于部署此模型的选项

可使用以下方法部署此模型:

  • 从 Dockerhub 部署:

    docker run -it -p 5000:5000 codait/max-object-detector
    
  • 在 Red Hat OpenShift 上部署:

    遵照本教程中有关 OpenShift Web 控制台或 OpenShift Container Platform CLI 的操作说明,并将 codait/max-object-detector 指定为图像名称。

  • 在 Kubernetes 上部署:

    kubectl apply -f https://raw.githubusercontent.com/IBM/MAX-Object-Detector/master/max-object-detector.yaml
    

    有关如何将此 MAX 模型部署到 IBM Cloud 上的生产环境中的更详细教程,可以在此处找到。

  • 本地部署:遵照 GitHub 上的模型 README 中的说明进行操作。

用法示例

您可以通过以下方式测试或使用此模型:

使用 cURL 测试该模型

部署之后,您可以通过命令行测试该模型。例如,如果在本地运行:

curl -F "image=@samples/dog-human.jpg" -XPOST http://127.0.0.1:5000/model/predict

您应该会看到类似如下的 JSON 响应:

{
  "status": "ok",
  "predictions": [
      {
          "label_id": "1",
          "label": "person",
          "probability": 0.944034993648529,
          "detection_box": [
              0.1242099404335022,
              0.12507188320159912,
              0.8423267006874084,
              0.5974075794219971
          ]
      },
      {
          "label_id": "18",
          "label": "dog",
          "probability": 0.8645511865615845,
          "detection_box": [
              0.10447660088539124,
              0.17799153923988342,
              0.8422801494598389,
              0.732001781463623
          ]
      }
  ]
}

在 Node-RED 流中测试该模型

完成 node-red-contrib-model-asset-exchange 模块设置操作说明,并导入 object-detector 开始流程。

在 CodePen 中测试该模型

了解在 CodePen 中如何将图像发送到该模型以及如何呈现结果。

在无服务器应用中测试该模型

您可以通过遵照在 IBM Cloud Functions 中利用深度学习教程中的操作说明,在无服务器应用程序中使用该模型。

链接

可用于训练此模型的选项

可使用以下方法训练此模型:

资源和贡献

如果您有兴趣为 Model Asset Exchange 项目做贡献或有任何疑问,按照此处的说明进行操作。

本文翻译自:Object Detector(2018-09-21)