TensorFlow目標檢測API – 功能介紹

YOLO並沒有含在TF2內建的Object Detection API

TensorFlow Object Detection API 提供了在COCO 2017 數據集上預訓練的檢測模型集合 。有多種類型的模型，包括 CenterNet，EfficientDet，SSD，Faster R-CNN 和 Mask R-CNN 等。

每個模型都有其特點：

• CenterNet：是一種基於關鍵點檢測的目標檢測算法，它使用特定的關鍵點（例如物體的中心點）進行檢測，可以用於處理各種大小的物體，並且可以輸出更豐富的目標信息（如姿態，關鍵點等）。
• EfficientDet：是一種基於 EfficientNet 和 BiFPN 的目標檢測算法，其優點在於精度高並且效率也相當高，模型大小和計算量都相對較小。
• SSD (Single Shot MultiBox Detector)：是一種用於實時目標檢測的算法，其特點是速度快，適用於需要實時響應的情況。
• Faster R-CNN：是一種基於區域提議網絡（RPN）的目標檢測算法，其精度很高，但速度相對較慢。
• Mask R-CNN：是一種擴展了 Faster R-CNN，能進行實例分割（Instance Segmentation）的算法，即除了檢測目標之外，還可以輸出目標的像素級別的掩碼。

然而，YOLO (You Only Look Once) 並沒有在這個列表中。 YOLO 是一種非常流行的實時目標檢測系統，以其快速和精確而著名。 YOLO 的預訓練模型並不在 TensorFlow Hub 提供，但你可以在 YOLO 的官方網站或者 Github 倉庫找到相關的預訓練模型和代碼(https://github.com/yyccR/yolov5_in_tf2_keras)。

如果你有特定的需求，例如對速度，精度，或者是特定類型的任務（例如實例分割或者姿態估計）有特殊的需求，可根據這些需求來選擇合適的模型。目前YOLO在PyTorch的支持進度比較快，到筆者這篇文章時，TF2對YOLO的支持只到yolov5。

包含的物件檢測模型列表

在這邊Speed越低代表速度越快，因為目標網址的CORSS DOMAIN的問題，要下載會需要按右鍵儲存網址然後到新視窗貼上才可以下載

我所選擇的模型

以我的需求而言，我會需要偵測即時串流內的物件，因此需要高速的演算法，我選擇了SSD，官方API內也包含了多個不同的SSD變種和不同的基礎模型（例如 MobileNet 和 ResNet）。這些模型的主要區別在於其複雜性、精度和運行速度：

1. MobileNet 是一種針對移動和嵌入式設備設計的輕量級深度卷積神經網絡。相比於 ResNet，MobileNet 通常具有更少的參數和計算量，從而在設備上運行速度更快，但可能在精度上稍遜一籌。 MobileNet 的版本 V1 和 V2 是其結構上的不同版本，V2 通常在性能上優於 V1。
2. FPN (Feature Pyramid Network) 是一種目標檢測模型中常用的模塊，它能幫助模型更好地處理不同尺度的物體。使用了 FPN 的模型通常在處理小物體上有更好的表現。 FPNlite 是 FPN 的一個更輕量級的版本。
3. ResNet (Residual Network) 是一種深度卷積神經網絡，相比於 MobileNet，ResNet 的模型更深，參數和計算量更大，但在精度上通常更好。 ResNet 的版本（例如 ResNet50, ResNet101, ResNet152）指的是網絡的深度，數字越大，模型越深，通常精度越高，但計算量也越大。
4. RetinaNet 是一種目標檢測模型，它是基於 FPN 和 ResNet 的一種網絡，其特點是使用了一種新的損失函數（Focal Loss）來解決類別不平衡的問題，對於包含大量背景和少量物體的圖像有很好的性能。

最後我決定使用SSD MobileNet V2 FPNLite 640x640

使用預訓練的物件偵測模型

SSD MobileNet V2 FPNLite 640x640在這邊下載: http://download.tensorflow.org/models/object_detection/tf2/20200711/ssd_mobilenet_v2_fpnlite_640x640_coco17_tpu-8.tar.gz

解壓縮後可以看到以下檔案

1. pipeline.config: 此文件包含了模型訓練過程中所有的配置參數，包括使用的模型類型（例如 Faster R-CNN，SSD 等），輸入圖像的大小，學習率，批量大小等。當您選擇一個預訓練模型進行微調（fine-tuning）時，這個 pipeline.config 文件通常會包含在下載的模型文件夾中。
2. checkpoint: 此文件（或者一組文件）保存了模型的權重。在訓練過程中，TensorFlow 會定期保存模型的權重到 checkpoint 文件中，以便在訓練中斷後可以恢復訓練，或者在訓練結束後使用訓練好的模型進行預測。
3. saved_model裡面是saved_model.pb 文件，這個文件包含了模型的結構和參數。

下面的方法可以用saved_model.pb產生checkpoint

import tensorflow as tf
from tensorflow.python.framework import graph_io
from tensorflow.python.tools import freeze_graph
from tensorflow.tools.graph_transforms import TransformGraph

# 載入模型
loaded = tf.saved_model.load(PATH_TO_SAVED_MODEL)

# 將模型的權重保存為 checkpoint
ckpt = tf.train.Checkpoint(model=loaded)
ckpt.save(PATH_TO_CKPT)