Tensorflow 提供了一系列在不同數(shù)據(jù)集上預訓練的目標檢測模型，包括 COCO 數(shù)據(jù)集、Kitti 數(shù)據(jù)集、Open Images 數(shù)據(jù)集、AVA v2.1 數(shù)據(jù)集、iNaturalist 物種檢測數(shù)據(jù)集 和 Snapshot Serengeti 數(shù)據(jù)集。這些模型可以直接用于推理，特別是當你對這些數(shù)據(jù)集中已有的類別感興趣時。同時，它們也可用于新數(shù)據(jù)集上訓練模型時的初始化。

下表列出了每個預訓練模型，包括：

• 模型名稱，對應于 samples/configs 目錄中用于訓練此模型的配置文件；
• 包含預訓練模型的 tar.gz 文件的下載鏈接；
• 模型速度 —— 我們報告的是每張 600x600 圖像的運行時間（包括所有預處理和后處理），但請注意這些時間高度依賴于特定的硬件配置（這些時間是在 Nvidia GeForce GTX TITAN X 顯卡上測得的），在很多情況下應被視為相對時間。同時注意，桌面 GPU 的時間并不總是反映移動設備的運行時間。例如，Mobilenet V2 在移動設備上比 Mobilenet V1 快，但在桌面 GPU 上略慢；
• 在 COCO 驗證集的子集、Open Images 測試集、iNaturalist 測試集或 Snapshot Serengeti LILA.science 測試集上的檢測器性能，以數(shù)據(jù)集特定的 mAP 度量。這里，數(shù)值越高越好，我們只報告四舍五入到整數(shù)的邊界框 mAP。
• 輸出類型（Boxes，如果適用的話還有 Masks）

你可以通過例如以下命令來解壓縮每個 tar.gz 文件：

tar -xzvf ssd_mobilenet_v1_coco.tar.gz

在解壓縮后的目錄中，你將找到：

• 一個圖模型（graph.pbtxt）
• 一個檢查點（model.ckpt.data-00000-of-00001、model.ckpt.index、model.ckpt.meta）
• 一個將權重作為常量烘焙進圖的凍結圖模型（frozen_inference_graph.pb），用于直接推理（在 Jupyter 筆記本中試試這個！）
• 一個用于生成圖的配置文件（pipeline.config）。這些直接對應于 samples/configs 目錄中的配置文件，但通常具有修改后的得分閾值。在較重的 Faster R-CNN 模型的情況下，我們還提供了一個使用更少提議數(shù)量以提高速度的模型版本。
• 僅限移動模型：一個可以部署在移動設備上的 TfLite 文件（model.tflite）。

關于凍結推理圖的一些說明：

• 如果你嘗試評估凍結圖，可能會發(fā)現(xiàn)一些模型的性能略低于我們在下表中報告的數(shù)值。這是因為在創(chuàng)建凍結圖時，我們丟棄了得分低于閾值（通常為 0.3）的檢測。這實際上相當于在檢測器的精確度召回曲線上選擇一個點（并丟棄該點之后的部分），這會對標準 mAP 度量產(chǎn)生負面影響。
• 我們的凍結推理圖是使用 Tensorflow 的 v1.12.0 版本生成的，我們不保證這些圖能與其它版本兼容；話雖如此，每個凍結推理圖都可以使用你當前版本的 Tensorflow 重新生成，方法是重新運行 exporter，指向模型目錄以及 samples/configs 中相應的配置文件。

COCO 訓練模型

模型名稱	速度(ms)	COCO mAP	輸出
ssd_mobilenet_v1_coco	30	21	Boxes
ssd_mobilenet_v1_0.75_depth_coco ☆	26	18	Boxes
ssd_mobilenet_v1_quantized_coco ☆	29	18	Boxes
ssd_mobilenet_v1_0.75_depth_quantized_coco ☆	29	16	Boxes
ssd_mobilenet_v1_ppn_coco ☆	26	20	Boxes
ssd_mobilenet_v1_fpn_coco ☆	56	32	Boxes
ssd_resnet_50_fpn_coco ☆	76	35	Boxes
ssd_mobilenet_v2_coco	31	22	Boxes
ssd_mobilenet_v2_quantized_coco	29	22	Boxes
ssdlite_mobilenet_v2_coco	27	22	Boxes
ssd_inception_v2_coco	42	24	Boxes
faster_rcnn_inception_v2_coco	58	28	Boxes
faster_rcnn_resnet50_coco	89	30	Boxes
faster_rcnn_resnet50_lowproposals_coco	64		Boxes
rfcn_resnet101_coco	92	30	Boxes
faster_rcnn_resnet101_coco	106	32	Boxes
faster_rcnn_resnet101_lowproposals_coco	82		Boxes
faster_rcnn_inception_resnet_v2_atrous_coco	620	37	Boxes
faster_rcnn_inception_resnet_v2_atrous_lowproposals_coco	241		Boxes
faster_rcnn_nas	1833	43	Boxes
faster_rcnn_nas_lowproposals_coco	540		Boxes
mask_rcnn_inception_resnet_v2_atrous_coco	771	36	Masks
mask_rcnn_inception_v2_coco	79	25	Masks
mask_rcnn_resnet101_atrous_coco	470	33	Masks
mask_rcnn_resnet50_atrous_coco	343	29	Masks

注意：模型名稱后的星號（☆）表示該模型支持 TPU 訓練。

注意：如果你下載了量化模型的 tar.gz 文件并解壓，將得到一組不同的文件 - 一個檢查點、一個配置文件和 tflite 凍結圖（文本/二進制）。

移動模型

模型名稱	Pixel 1 延遲(ms)	COCO mAP	輸出
ssd_mobiledet_cpu_coco	113	24.0	Boxes
ssd_mobilenet_v2_mnasfpn_coco	183	26.6	Boxes
ssd_mobilenet_v3_large_coco	119	22.6	Boxes
ssd_mobilenet_v3_small_coco	43	15.4	Boxes

Pixel4 Edge TPU 模型

模型名稱	Pixel 4 Edge TPU 延遲(ms)	COCO mAP (fp32/uint8)	輸出
ssd_mobiledet_edgetpu_coco	6.9	25.9/25.6	Boxes
ssd_mobilenet_edgetpu_coco	6.6	-/24.3	Boxes

Pixel4 DSP 模型

模型名稱	Pixel 4 DSP 延遲(ms)	COCO mAP (fp32/uint8)	輸出
ssd_mobiledet_dsp_coco	12.3	28.9/28.8	Boxes

Kitti 訓練模型

模型名稱	速度(ms)	Pascal mAP@0.5	輸出
faster_rcnn_resnet101_kitti	79	87	Boxes

Open Images 訓練模型

模型名稱	速度(ms)	Open Images mAP@0.5[^2]	輸出
faster_rcnn_inception_resnet_v2_atrous_oidv2	727	37	Boxes
faster_rcnn_inception_resnet_v2_atrous_lowproposals_oidv2	347		Boxes
facessd_mobilenet_v2_quantized_open_image_v4 [^3]	20	73 (faces)	Boxes

模型名稱	速度(ms)	Open Images mAP@0.5[^4]	輸出
faster_rcnn_inception_resnet_v2_atrous_oidv4	425	54	Boxes
ssd_mobilenetv2_oidv4	89	36	Boxes
ssd_resnet_101_fpn_oidv4	237	38	Boxes

iNaturalist 物種訓練模型

模型名稱	速度(ms)	Pascal mAP@0.5	輸出
faster_rcnn_resnet101_fgvc	395	58	Boxes
faster_rcnn_resnet50_fgvc	366	55	Boxes

AVA v2.1 訓練模型

模型名稱	速度(ms)	Pascal mAP@0.5	輸出
faster_rcnn_resnet101_ava_v2.1	93	11	Boxes

Snapshot Serengeti Camera Trap 訓練模型

模型名稱	COCO mAP@0.5	輸出
faster_rcnn_resnet101_snapshot_serengeti	38	Boxes
context_rcnn_resnet101_snapshot_serengeti	56	Boxes

[^1]：提到的COCO mAP（平均精度均值）是在COCO 2014年的minival數(shù)據(jù)集上評估的。這個數(shù)據(jù)集的劃分與COCO 2017年的Val數(shù)據(jù)集不同。用于分割的完整圖像ID列表可以在這里找到。COCO評估協(xié)議的詳細信息可以在MSCOCO evaluation protocol查看。

[^2]：這里提到的是PASCAL mAP，但采用了稍微不同的真正例計算方法。具體細節(jié)可以在Open Images evaluation protocols中查看，特別是oid_V2_detection_metrics部分。

[^3]：在訓練過程中，非人臉框被丟棄，而在評估時，非人臉的真實框被忽略。

[^4]：這是Open Images挑戰(zhàn)賽的度量標準，具體細節(jié)也可以在Open Images evaluation protocols中查看，特別是oid_challenge_detection_metrics部分。

對于Open Images evaluation protocols，它包含了Open Images數(shù)據(jù)集的評估協(xié)議和度量標準，這些協(xié)議和標準用來評估目標檢測、圖像分類等任務的性能。這些評估協(xié)議詳細說明了如何計算精確度、召回率和平均精度（AP）等指標，以及如何處理邊界框的匹配和重疊問題。具體的評估協(xié)議和度量標準文檔可以在Open Images官方GitHub頁面或相關技術論文中找到。