在我使用object_detection \ model_main.py脚本用自己的图像数据集对经过预训练的ssd mobilenet v1模型进行了培训之后，我导出了两个.pb冻结图（使用export_inference_graph.py脚本）
python models\research\object_detection\export_inference_graph.py
--input_type image_tensor
--input_shape=1,300,300,3
--pipeline_config_path ssd_mobilenet_v1_test.config
--trained_checkpoint_prefix training/model.ckpt
--output_directory export\freeze\
和.tflite图（带有export_tflite_ssd_graph.py脚本和tflite_convert）。
python models\research\object_detection\export_tflite_ssd_graph.py
--input_type image_tensor
--pipeline_config_path ssd_mobilenet_v1_test.config
--trained_checkpoint_prefix training/model.ckpt
--output_directory export\tflite\
--max_detections 16
--add_postprocessing_op=true
tflite_convert
--output_file=export\tflite\model.tflite
--graph_def_file=export\tflite\tflite_graph.pb
--input_shapes=1,300,300,3
--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_dev_values=128
--default_ranges_min=0
--default_ranges_max=6
--allow_custom_ops
Pb图似乎工作正常，但是tflite一个false可以检测到android上的所有内容，因此无论我传递给它的图像是什么，我都能获得16种可能的检测方法中的16种，甚至是填充有黑色的图像（我在android设备上对其进行测试（与预先训练的模型配合使用时效果很好）。
更改转换选项（例如禁用/启用量化，图像标准/平均值）没有任何改变。我还将tflite图与示例mobilenet图进行了比较，它们看起来非常相似。有什么想法会导致该问题吗？
（Windows 10 / cuda 9.0 / cudnn 7.0 / tf-nightly-gpu / models-master）
答案 0 :(得分：0)
tflite模型的输出张量似乎返回一些极值（例如：5e35或-3e34）。由于这些得分值中的一些大于1，因此算作检测。
我的解决方案，将大于限制的所有值（我做了1e5）替换为0。（Python更快。）
tensor[tensor > 1e5] = 0
使用示例detector.tflite或导出的冻结推理图不会发生这种情况很奇怪。必须有适当的方法来导出tflite模型。