我正在尝试创建一个tflite格式的自定义对象检测模型，以便我可以在flutter应用程序中使用google_mlkit_object_detection包。
前几个模型，我使用yolov8创建并转换为tflite。注解是用roboflow进行的，我使用的google colab notebook是由他们提供的，转换后的tflite模型的元数据看起来如下图所示
在这个模型上我得到了一个错误
输入Tensor的类型为kTfLiteFloat32：需要指定NormalizationOptions元数据来预处理输入图像。
因此，正如建议的那样，我试图更改元数据并添加normalizationOptions，但没有成功。我的第二个选择是使用官方的TensorFlow google colab笔记本TensorFlow Lite Model Maker训练一个模型，它生成了一个包含以下元数据的模型
对于该模型，误差为
输出索引1的维度数意外：获得3D，预期为2D（BxN，B=1）或4D
因此，我检查了我正在使用的包“google_mlkit_object_detection”中的示例应用程序的模型，元数据如下所示
所以我的问题是，我如何改变我已经训练过的模型，无论是输入还是输出，我必须改变模型的架构还是只改变元数据？第二个是用tensorflow 的官方笔记本训练的，似乎我所要做的就是包含正确的形状格式[1，N]，但我可能需要再次改变架构。
2条答案
按热度按时间wixjitnu1#
元数据只是用来提供模型的信息。除了添加元数据之外，您还需要确保您的模型真正满足需求。
关于如何获得这样一个模型的更多细节可以在这里找到：https://developers.google.com/ml-kit/custom-models
ML Kit对象检测自定义模型是一个分类器模型。
t5fffqht2#
Google文档中的自定义模型页面是这样说的：
注：ML Kit仅支持自定义图像分类模型。虽然AutoML Vision允许训练对象检测模型，但这些模型不能与ML Kit一起使用。
因此，您可以使用自定义对象检测模型，但前提是它们是图像分类模型。我认为这一定是不可能的，对象检测模型输出边界框，而分类模型输出类分数。然而，我尝试使用YOLOv8模型，标准的对象检测模型无法工作，但具有[1，1000]输出形状的classification模型实际上适用于Google MLKit示例应用程序，您可以从中提取边界框。
我不是100%确定这是如何工作的，但我怀疑的是，包中捆绑了一个默认的对象检测器，它可以识别可能存在对象的位置，然后您只能在它的基础上修改分类模型。
简单的答案是：使用具有[1，N]或[1，1，1，N]输出的分类模型，其中N是类的数量。如果您有一个不同架构的模型，那么您应该将输出更改为这种格式，否则它不应该工作。