Tensorflow modelli pre-addestrati per il riconoscimento oggetti 

Utilizzo spesso questo blog, anche, come diario personale perchè  in alcuni casi mi torna utile  fissare  alcune fonti per ricordarmi di cose interessanti che potrebbero servirmi nel corso dei lavori o degli esperimenti. In questa occasione ho deciso di mantenere traccia dei modelli già addestrati, che ho testato o che vorrei testare, messi a disposizione da terze parti. Spero,pertanto, che questo articolo possa ritornare utile anche ad  altri. In questo post, dunque, che via via aggiornerò,  ho iniziato a raccogliere la lista di modelli utili per il riconoscimento ed il tracciamento di oggetti.  In questa prima parte elencherò quelli  addestrati sulla base  dei datatset  COCO ,  Kitti,  Open Images, AVA v2.1  e   iNaturalist Species. Questi modelli potrebbero essere utili  in generale per chi è interresato a questo tipo di categorie di dati, ma sono sicuramente utili per iniziare ad addestare nuovi  modelli. L’elenco dei modelli è  organizzato seguendo  il seguente schema :

• il nome del modello, che corrisponde al config file usato per il training,
• il link per procedere al dowload che contiene un archivio con il modello  pre-trained,
• La velocità del modello espresso im ms e calcolato su immagini 600X600
• mAp (mean Average Precision ovvero la precisione media o il “punteggio mAP”;  Il modo ormai consolidato  per valutare le performace  dei modelli per il rilevamento degli oggetti; questo valore è  usato nelle  sfide PASCAL VOC, ImageNet e COCO.
• Tipo  di output supportato  (Boxes o Masks )

Ogni archivio conterrà:

• il graph proto (graph.pbtxt)
• i files di  checkpoint (model.ckpt.data-00000-of-00001, model.ckpt.index, model.ckpt.meta)
• il  frozen graph proto  (frozen_inference_graph.pb) che può essere usato direttamente per l’inferenza.
• il config file (pipeline.config) usato per generare il graph model
• il modello TfLite esportato per mobile (model.tflite).

COCO-trained models

Model name	Speed (ms)	COCO mAP	Outputs
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

Mobile models

Model name	Pixel 1 Latency (ms)	COCO mAP	Outputs
ssd_mobilenet_v3_large_coco	119	22.3	Boxes
ssd_mobilenet_v3_small_coco	43	15.6	Boxes

Kitti-trained models

Model name	Speed (ms)	Pascal mAP@0.5	Outputs
faster_rcnn_resnet101_kitti	79	87	Boxes

Open Images-trained models

Model name	Speed (ms)	Open Images mAP@0.5	Outputs
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

Model name	Speed (ms)	Open Images mAP@0.5	Outputs
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 Species-trained models

Model name	Speed (ms)	Pascal mAP@0.5	Outputs
faster_rcnn_resnet101_fgvc	395	58	Boxes
faster_rcnn_resnet50_fgvc	366	55	Boxes

AVA v2.1 trained models

Model name	Speed (ms)	Pascal mAP@0.5	Outputs
faster_rcnn_resnet101_ava_v2.1	93	11	Boxes