tflite object detection(org.tensorflow.lite.examples.detection) -九游会老哥必备的交流社区

这个是我编译的谷歌tensorflowlite的示例程序object detection（物体检测）

使用边界框检测图像中的多个对象。识别80种不同类别的对象。

什么是物体检测？

给定图像或视频流，对象检测模型可以识别可能存在的一组已知对象中的哪一个，并提供关于它们在图像内的位置的信息。

例如，我们的屏幕截图显示了如何识别两个对象并注释其位置：

训练对象检测模型以检测多类对象的存在和位置。例如，可以使用包含各种水果的图像训练模型，以及指定它们所代表的水果类别的标签（例如苹果，香蕉或草莓），以及指定每个对象出现在哪里的数据。图片。

当我们随后向模型提供图像时，它将输出它检测到的对象的列表，包含每个对象的边界框的位置，以及指示检测是否正确的置信度的分数。

型号输出

想象一下，一个模型已被训练，以检测苹果，香蕉和草莓。当我们传递一个图像时，它将输出一定数量的检测结果 - 在本例中为5。

类得分了地点苹果0.92[18,21,57,63]香蕉0.88[100,30,180,150]草莓0.87[7,82,89,163]香蕉0.23[42,66,57,83]苹果0.11[6,42,31,58]信心得分

为了解释这些结果，我们可以查看每个检测到的对象的分数和位置。分数是介于0和1之间的数字，表示确实检测到对象的可信度。数字越接近1，模型越自信。

根据您的应用程序，您可以决定截止阈值，低于该截止阈值将丢弃检测结果。对于我们的示例，我们可能会判定合理的截止值为0.5（意味着检测有效的概率为50％）。在这种情况下，我们会忽略数组中的最后两个对象，因为那些置信度得分低于0.5：

类得分了地点苹果0.92[18,21,57,63]香蕉0.88[100,30,180,150]草莓0.87[7,82,89,163]香蕉0.23[42,66,57,83]苹果0.11[6,42,31,58]

你使用的截止点应该取决于你是否对误报（错误识别的对象，或者错误识别为错误的对象区域）或假阴性（对象是真实的对象）感到满意。错过了，因为他们的信心很低）。