Tensorflow 提供了一系列在不同數(shù)據(jù)集上預(yù)訓(xùn)練的目標(biāo)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(dāng)你對這些數(shù)據(jù)集中已有的類別感興趣時(shí)。同時(shí)，它們也可用于新數(shù)據(jù)集上訓(xùn)練模型時(shí)的初始化。

下表列出了每個(gè)預(yù)訓(xùn)練模型，包括：

• 模型名稱，對應(yīng)于 samples/configs 目錄中用于訓(xùn)練此模型的配置文件；
• 包含預(yù)訓(xùn)練模型的 tar.gz 文件的下載鏈接；
• 模型速度 —— 我們報(bào)告的是每張 600x600 圖像的運(yùn)行時(shí)間（包括所有預(yù)處理和后處理），但請注意這些時(shí)間高度依賴于特定的硬件配置（這些時(shí)間是在 Nvidia GeForce GTX TITAN X 顯卡上測得的），在很多情況下應(yīng)被視為相對時(shí)間。同時(shí)注意，桌面 GPU 的時(shí)間并不總是反映移動(dòng)設(shè)備的運(yùn)行時(shí)間。例如，Mobilenet V2 在移動(dòng)設(shè)備上比 Mobilenet V1 快，但在桌面 GPU 上略慢；
• 在 COCO 驗(yàn)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(bào)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(gè) 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(gè)圖模型（graph.pbtxt）
• 一個(gè)檢查點(diǎn)（model.ckpt.data-00000-of-00001、model.ckpt.index、model.ckpt.meta）
• 一個(gè)將權(quán)重作為常量烘焙進(jìn)圖的凍結(jié)圖模型（frozen_inference_graph.pb），用于直接推理（在 Jupyter 筆記本中試試這個(gè)！）
• 一個(gè)用于生成圖的配置文件（pipeline.config）。這些直接對應(yīng)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(gè)使用更少提議數(shù)量以提高速度的模型版本。
• 僅限移動(dòng)模型：一個(gè)可以部署在移動(dòng)設(shè)備上的 TfLite 文件（model.tflite）。

關(guān)于凍結(jié)推理圖的一些說明：

• 如果你嘗試評估凍結(jié)圖，可能會(huì)發(fā)現(xiàn)一些模型的性能略低于我們在下表中報(bào)告的數(shù)值。這是因?yàn)樵趧?chuàng)建凍結(jié)圖時(shí)，我們丟棄了得分低于閾值（通常為 0.3）的檢測。這實(shí)際上相當(dāng)于在檢測器的精確度召回曲線上選擇一個(gè)點(diǎn)（并丟棄該點(diǎn)之后的部分），這會(huì)對標(biāo)準(zhǔn) mAP 度量產(chǎn)生負(fù)面影響。
• 我們的凍結(jié)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(gè)凍結(jié)推理圖都可以使用你當(dāng)前版本的 Tensorflow 重新生成，方法是重新運(yùn)行 exporter，指向模型目錄以及 samples/configs 中相應(yīng)的配置文件。

COCO 訓(xùn)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(hào)（☆）表示該模型支持 TPU 訓(xùn)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(gè)檢查點(diǎn)、一個(gè)配置文件和 tflite 凍結(jié)圖（文本/二進(jìn)制）。

移動(dòng)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(xùn)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(xùn)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(xùn)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(xùn)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(xùn)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(gè)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(xì)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(jì)算方法。具體細(xì)節(jié)可以在Open Images evaluation protocols中查看，特別是oid_V2_detection_metrics部分。

[^3]：在訓(xùn)練過程中，非人臉框被丟棄，而在評估時(shí)，非人臉的真實(shí)框被忽略。

[^4]：這是Open Images挑戰(zhàn)賽的度量標(biāo)準(zhǔn)，具體細(xì)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(biāo)準(zhǔn)，這些協(xié)議和標(biāo)準(zhǔn)用來評估目標(biāo)檢測、圖像分類等任務(wù)的性能。這些評估協(xié)議詳細(xì)說明了如何計(jì)算精確度、召回率和平均精度（AP）等指標(biāo)，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(biāo)準(zhǔn)文檔可以在Open Images官方GitHub頁面或相關(guān)技術(shù)論文中找到。