用OpenVINO 2020r2的accuracy_check精度检测工具检测ssd模型精度的示例

2020-09-28 06:15:10 2.6万阅读 AI 写同款 · GEO 优化AI 选题数据监测一键分发 ›

基于YOLOv8的苹果成熟度检测系统：从数据标注到部署全流程目标检测作为计算机视觉的核心技术，通过深度学习算法实现对图像中特定目标的定位与识别。其原理基于卷积神经网络提取特征，结合回归和分类任务精确定位目标位置。在农业智能化领域，目标检测技术能够实现毫秒级的自动化识别，显著提升生产效率和质量控制水平。YOLOv8作为当前先进的目标检测算法，具备高精度和实时性的双重优势，特别适用于果园管理、水果分拣等应用场景。本文以苹果成熟度检测为例，详细介绍了基于YOLOv8的完整实现方案，涵盖数据集构建、模型训练优化到实际部署的全流程，为农业视觉检测项目提供可复用的工程实践参考。阅读详情

前面在 OpenVINO 2020的INT8转换工具POT的初体验里面分享了一下POT和accuracy_check工具的用法，但是用的是分类classification模型，相对比较简单，今天简单分享一下写检测ssd模型精度的config文件的思路

首先要骂娘的是OpenVINO的文档写的极其差，几乎是找不到任何你想要的东西。也许这就是开源项目的精髓，一切全靠看代码... 所以先想一下，在我用DL workbench的时候，可以转换mobilenet-ssd模型和测试模型精度。所以这部分肯定是带在openvino安装目录里了，翻翻openvino accuracy_checker的目录，看到了一个可疑的文件

看一下文件内容

models:
- name: ssd-mobilenet-cf
launchers:
- framework: caffe
model: public/mobilenet-ssd/mobilenet-ssd.prototxt
weights: public/mobilenet-ssd/mobilenet-ssd.caffemodel
adapter: ssd
datasets:
- name: VOC2012
preprocessing:
- type: resize
size: 300
- type: normalization
mean: 127.5
std: 127.5
postprocessing:
- type: resize_prediction_boxes

- name: ssd-mobilenet
launchers:
- framework: dlsdk
tags:
- FP32
model: public/mobilenet-ssd/FP32/mobilenet-ssd.xml
weights: public/mobilenet-ssd/FP32/mobilenet-ssd.bin
adapter: ssd

- framework: dlsdk
tags:
- FP16
model: public/mobilenet-ssd/FP16/mobilenet-ssd.xml
weights: public/mobilenet-ssd/FP16/mobilenet-ssd.bin
adapter: ssd

datasets:
- name: VOC2012
preprocessing:
- type: resize
size: 300
postprocessing:
- type: resize_prediction_boxes

global_definitions: ../dataset_definitions.yml
有launchers部分，里面有模型的路径和文件名；有datasets部分，写着数据集是VOC2012, 底下描述的部分不太全。但是下面有一句奇怪的东东： global_definitions: ../dataset_definitions.yml

看上去有点像C语言的include, 看看这个文件

文件内容里找VOC2012的关键字

- name: VOC2012
annotation_conversion:
converter: voc_detection
annotations_dir: VOCdevkit/VOC2012/Annotations
images_dir: VOCdevkit/VOC2012/JPEGImages
imageset_file: VOCdevkit/VOC2012/ImageSets/Main/val.txt
data_source: VOCdevkit/VOC2012/JPEGImages
annotation: voc12.pickle
dataset_meta: voc12.json
postprocessing:
- type: resize_prediction_boxes
metrics:
- type: map
integral: 11point
ignore_difficult: True
presenter: print_scalar

这个大概就全了，新建一个mobilenet-ssd_ac.yml文件，用Ctrl CV大法，把我想要的东西都拷贝粘贴在一起

models:
- name: ssd-mobilenet
launchers:
- framework: dlsdk
tags:
- FP32
model: mobilenet-ssd.xml
weights: mobilenet-ssd.bin
adapter: ssd

datasets:
- name: VOC2012
preprocessing:
- type: resize
size: 300
postprocessing:
- type: resize_prediction_boxes
annotation_conversion:
converter: voc_detection
annotations_dir: VOCdevkit/VOC2012/Annotations
images_dir: VOCdevkit/VOC2012/JPEGImages
imageset_file: VOCdevkit/VOC2012/ImageSets/Main/val.txt
data_source: VOCdevkit/VOC2012/JPEGImages
annotation: voc12.pickle
dataset_meta: voc12.json
postprocessing:
- type: resize_prediction_boxes
metrics:
- type: map
integral: 11point
ignore_difficult: True
presenter: print_scalar

然后转换mobilenet-ssd的IR模型

C:\Program Files (x86)\IntelSWTools\openvino\deployment_tools\model_optimizer>python mo_caffe.py --input_model c:\work\cvt_model\mobilenet-ssd.caffemodel -o c:\work\mobilenet-ssd_ac --scale 127.5 --mean_values [127.5,127.5,127.5]
再从网上下一个VoC模型 VOCtrainval_11-May-2012.tar

把这几个文件放到一起

运行一下看看

mAP精度是79.84% 基本可以证明这个config文件是写对了 :)

总结一下:

在C:\Program Files (x86)\IntelSWTools\openvino_2020.3.194\deployment_tools\open_model_zoo\tools\accuracy_checker\configs下面有很多预先写好的开源模型精度检查配置文件，写自己的模型检测配置的时候可以拿来参考一下 :)

...全文