TensorFlow Object Detection API 提供多種在 COCO 2017 資料集上預訓練的目標檢測模型，例如 CenterNet、EfficientDet、SSD、Faster R-CNN 與 Mask R-CNN。我的需求是即時串流物件偵測，最後選擇 `SSD MobileNet V2 FPNLite 640x640`。
TensorFlow Object Detection API 有包含 YOLO 嗎？
TensorFlow Object Detection API 的 TF2 model zoo 不把 YOLO 放在主要內建模型列表中。官方模型集合主要提供 CenterNet、EfficientDet、SSD、Faster R-CNN 與 Mask R-CNN。
YOLO（You Only Look Once）是常見的即時目標檢測系統，但在我寫這篇時，TensorFlow 2 對 YOLO 的支援不像 PyTorch 生態系那麼快。若要在 TensorFlow 2 使用 YOLO，通常要另外找轉換版或社群實作，例如 YOLOv5 in TF2/Keras。
Object Detection API 常見模型差在哪？
Object Detection API 常見模型差異在速度、精度與輸出類型。SSD 偏向即時速度，Faster R-CNN 偏向精度，Mask R-CNN 可輸出實例分割 mask。
| 模型 | 特點 | 適合情境 |
|---|---|---|
| CenterNet | 以物體中心點等關鍵點做檢測 | 需要關鍵點或姿態資訊 |
| EfficientDet | 以 EfficientNet 與 BiFPN 設計 | 需要精度與效率平衡 |
| SSD | Single Shot MultiBox Detector | 需要即時推論速度 |
| Faster R-CNN | 使用區域提議網路 | 追求較高精度 |
| Mask R-CNN | Faster R-CNN 延伸，可輸出 mask | 需要實例分割 |
Model Zoo 表格要怎麼讀？
Model Zoo 表格通常會列出模型名稱、Speed、COCO mAP 與 Outputs。Speed 數值越低代表推論越快，COCO mAP 越高通常代表檢測精度越好。
下表整理官方模型列表中幾個代表模型，取代整頁下載連結，方便快速比較；實際模型清單應以 TensorFlow 2 Detection Model Zoo 官方頁面為準。
| 模型系列 | Speed 特色 | Outputs |
|---|---|---|
| CenterNet MobileNetV2 FPN 512x512 | 速度可到 6 ms 等級 | Boxes 或 Keypoints |
| SSD MobileNet V2 320x320 | 約 19 ms | Boxes |
| SSD MobileNet V2 FPNLite 640x640 | 約 39 ms | Boxes |
| Faster R-CNN ResNet50 V1 640x640 | 約 53 ms | Boxes |
| Mask R-CNN Inception ResNet V2 1024x1024 | 約 301 ms | Boxes/Masks |
為什麼選 `SSD MobileNet V2 FPNLite 640x640`？
`SSD MobileNet V2 FPNLite 640x640` 適合需要即時串流偵測的情境。SSD 架構偏快，MobileNet 較輕量，FPNLite 則讓模型保留處理不同尺度物件的能力。
我的需求是偵測即時串流內的物件，因此速度比最高精度更重要。相比 ResNet，MobileNet 參數量與計算量較小；相比完整 FPN，FPNLite 又更輕。這也是我最後選擇 SSD MobileNet V2 FPNLite 的主要理由。
預訓練模型下載後有哪些檔案？
TensorFlow Object Detection API 預訓練模型通常包含 `pipeline.config`、`checkpoint` 與 `saved_model`。這些檔案分別對應訓練設定、權重與可載入模型。
我實際使用的模型是 `ssd_mobilenet_v2_fpnlite_640x640_coco17_tpu-8`，下載連結如下（以 HTTPS 表示同一個官方檔案位置）：
檔案用途如下：
- `pipeline.config`：包含模型類型、輸入尺寸、learning rate、batch size 等訓練參數。
- `checkpoint`：保存模型權重，可用於恢復訓練或微調。
- `saved_model/saved_model.pb`：包含可載入的模型結構與參數。
如何從 SavedModel 建立 checkpoint？
TensorFlow 可用 `tf.train.Checkpoint` 包裝已載入的 SavedModel，再呼叫 `save()` 產生 checkpoint。這適合需要把推論模型轉成可接續使用的權重檔時測試。
```python
import tensorflow as tf
loaded = tf.saved_model.load(PATH_TO_SAVED_MODEL)
ckpt = tf.train.Checkpoint(model=loaded)
ckpt.save(PATH_TO_CKPT)
```
實作時要注意 TensorFlow 版本與 Object Detection API 版本是否相容。若後續要微調模型，通常還需要檢查 label map、pipeline config 路徑與 checkpoint restore 設定。
常見問題
TensorFlow Object Detection API 適合初學者嗎？
TensorFlow Object Detection API 適合已經熟悉 TensorFlow 與基本訓練流程的人。若只是快速試推論，可以先使用預訓練模型；若要自訂資料集訓練，設定檔與環境相依性會比較多。
YOLO 可以用 TensorFlow 2 做嗎？
可以，但通常不是直接使用 TensorFlow Object Detection API 內建模型。需要找 TensorFlow 2/Keras 版本的 YOLO 實作或自行轉換模型。
SSD 和 Faster R-CNN 要怎麼選？
需要即時速度時優先測 SSD。需要較高精度且可以接受較慢推論時，再測 Faster R-CNN。
COCO mAP 是什麼？
COCO mAP 是模型在 COCO 資料集上的平均精度指標。COCO mAP 可用來粗略比較模型，但實際專案仍要用自己的資料集驗證。
預訓練模型一定可以直接用在自己的場景嗎？
不一定。預訓練模型的類別與資料分佈來自原始訓練資料，若你的物件類別或拍攝環境差異很大，就需要微調或重新訓練。
參考資料
- TensorFlow 2 Detection Model Zoo: <https://github.com/tensorflow/models/blob/master/research/object_detection/g3doc/tf2_detection_zoo.md>
- TensorFlow Object Detection API: <https://github.com/tensorflow/models/tree/master/research/object_detection>
- COCO Dataset: <https://cocodataset.org/>
- YOLOv5 in TensorFlow 2 Keras（社群實作參考）: <https://github.com/yyccR/yolov5_in_tf2_keras>
最後更新
Thu Jul 27 2023 08:00:00 GMT+0800 (Taiwan Standard Time)
延伸閱讀
關於作者 {#author}
Claire Chang ｜ 企業 AI 導入與流程轉型顧問。專注於 AI Agent 架構設計、ERP 系統整合與企業 AI 治理。
首次發布：2023-07-27