问题描述
我正在为Android开发对象检测应用程序，在使用ssd_mobilenet_v1_fpn模型进行训练时，我获得了不错的表现。
我导出了冻结的推理图，将其转换为tflite并对其进行了量化以提高性能。但是当我在TensorFlow Lite Object Detection Android Demo上尝试时 该应用程序崩溃。
该应用程序可与默认模型（ssd_mobilenet_v1）完美配合，但不幸的是，该方法不适用于小对象检测和分类。
这是我量化的ssd_mobilenet_v1_fpn模型：
Google云端硬盘：https://drive.google.com/file/d/1rfc64nUJzHQjxigD6hZ6FqxyGhLRbyB1/view?usp=sharing
这里是未量化的模型：
Google云端硬盘：https://drive.google.com/file/d/11c_PdgobP0jvzTnssOkmcjp19DZoBAAQ/view?usp=sharing
为了量化，我使用了以下命令行：
运行bazel -c opt tensorflow / lite / toco：toco-\ --input_file = tflite_graph.pb \ --output_file = detect_quant.tflite \ --input_shapes = 1,640,480,3 \ --input_arrays = normalized_input_image_tensor \- output_arrays = TFLite_Detection_PostProcess，TFLite_Detection_PostProcess：1，TFLite_Detection_PostProcess：2，TFLite_Detection_PostProcess：3 \ --inference_type = QUANTIZED_UINT8 \ --mean_values = 128 \ --std_values = 128 \ --allow_concat_input default_ranges_max = 6
我也尝试了tflite转换器python api，但不适用于此模型。
2020-09-16 18：54：06.363 29747-29747 / org.tensorflow.lite.examples.detection E / Minikin：无法获取cmap表大小！
2020-09-16 18：54：06.364 29747-29767 / org.tensorflow.lite.examples.detection E / MemoryLeakMonitorManager：MemoryLeakMonitor.jar不存在！
2020-09-16 18：54：06.871 29747-29747 / org.tensorflow.lite.examples.detection E / BufferQueueProducer：[]无法获得hwsched服务
2020-09-16 18：54：21.033 29747-29786 / org.tensorflow.lite.examples.detection A / libc：致命信号6（SIGABRT），tid 29786中的代码-6（推断）
有人在Android上使用过fpn模型吗？或ssd_mobilenet_v1以外的型号？
解决方法
首先，当应用量化时，性能会越来越差。量化越多（浮点=>整数），量化就越差。对于检测模型，结果往往不能很好地在小物体上操作，并且不能很好地适合大物体的边界框。我正在研究解决这个问题的论文。可能会很快回来给您介绍如何使用ssd解决问题。
第二，我无权查看您的模型，伙计。但是，根据this，根据我的经验，您可以转换为具有ssd主干的任何检测模型。您可能要按照我给您的说明进行操作，以确保量化正常
,如果输入是图像，则应更改--default_ranges_max=255并使用tflite_convert。顺便说一句，为什么您不能为此使用python API？如果输入为冻结图，则可以进行如下转换：
converter = tf.lite.TFLiteConverter.from_frozen_graph('tmp.pb',input_arrays=...,output_arrays=...)
tflite_model = converter.convert()
同时，对象检测API包含Running TF2 Detection API Models on mobile的文档。它还包含python脚本export_tflite_graph_tf2.py。
,我找不到在Android上运行此模型的方法，这可能无法实现，或者我的手机功能不足。
但是，我通过使用两个不同的网络解决了我的问题，MobilenetV1用于对象检测（仅检测一个类“对象”），另一个用于分类（获取对象的边界框并对其进行分类）。 这不是最优雅的解决方案，但至少可以奏效。