ssd-resnet34-1200-onnx#

ユースケースと概要説明#

ssd-resnet-34-1200-onnx モデルは、物体検出を行うことを目的とした ResNet-34 バックボーン・ネットワークに基づくマルチスケール SSD です。このモデルは、Common Objects in Context (COCO) 画像データセットからトレーニングされました。このモデルは PyTorch* フレームワークで事前トレーニングされ、ONNX* 形式に変換されます。追加情報については、リポジトリーを参照してください。

仕様#

メトリック

値

タイプ

検出

GFLOPs

433.411

MParams

20.058

ソース・フレームワーク

PyTorch*

精度#

メトリック

値

coco_precision

20.73%

入力#

元のモデルは RGB 形式の画像を想定し、変換されたモデルは BGR 形式の画像を想定していることに注意してください。

元のモデル#

画像、形状: 1, 3, 1200, 1200、形式: B, C, H, W、ここで:

  • B - バッチサイズ

  • C - チャネル

  • H - 髙さ

  • W - 幅

チャネルの順番は RGB です。

変換されたモデル#

画像、形状: 1, 3, 1200, 1200、形式: B, C, H, W、ここで:

  • B - バッチサイズ

  • C - チャネル

  • H - 髙さ

  • W - 幅

チャネルの順番は BGR です。

出力#

注 モデル・オプティマイザーの変換後に出力形式が変更されます。変更の詳細な説明については、モデル・オプティマイザー開発ガイドを参照してください。

元のモデル#

  1. 分類子、名前 - labels、形状 - 1, N には、[1、81] 範囲で検出された各境界ボックスの予測クラスが含まれます。このモデルは、80 カテゴリーのオブジェクトを含む Common Objects in Context (COCO) データセットでトレーニングされました。<omz_dir>/data/dataset_classes/coco_80cl_bkgr.txt ファイルで提供されるクラス名へのマッピング。

  2. 確率、名前 - scores、形状 - 1, N には、検出された各境界ボックスの信頼度が含まれます。

  3. 検出ボックス、名前 - bboxes、形状 - 1, N, 4、形式 [y_min, x_min, y_max, x_max] の検出ボックス座標が含まれます。ここで、(x_min、y_min) は左上隅の座標、(x_max、y_max) は右下隅の座標です。座標は入力画像サイズに合わせて再スケールされます。

変換されたモデル#

  1. 分類子、形状 - 1, 200 には、[1、81] 範囲で検出された各境界ボックスの予測クラス ID が含まれます。このモデルは、80 カテゴリーのオブジェクトを含む Common Objects in Context (COCO) データセットでトレーニングされました。<omz_dir>/data/dataset_classes/coco_80cl_bkgr.txt ファイルで提供されるクラス名へのマッピング。

  2. 確率、形状 - 1, 200 には、検出された各境界ボックスの信頼度が含まれます。

  3. 検出ボックス、形状 - 1, 200, 4 には、[y_min, x_min, y_max, x_max] 形式の検出ボックス座標が含まれます。(x_min, y_min) は左上隅の座標、(x_max, y_max) は右下隅の座標です。座標は正規化された形式で、範囲は [0, 1] です。

モデルをダウンロードして OpenVINO™ IR 形式に変換#

以下の例に示すように、モデルをダウンロードし、必要に応じてモデル・ダウンローダーやその他の自動化ツールによってモデルを OpenVINO™ IR 形式に変換できます。

モデル・ダウンローダーの使用例:

omz_downloader --name <model_name>

モデル・コンバーターの使用例:

omz_converter --name <model_name>

デモの使い方#

このモデルは、Open Model Zoo が提供する次のデモで使用して、その機能を示します: