How to improve the performance of the object detection example in the Android sample?
Nessuno ha ancora preso questa issue.
Valutazione
- Difficoltà
- 4/5
- Tempo stimato
- 3-5 giorni
- Idoneità per principianti
- 25/100
- Tipo di issue
- Funzionalità
- Chiarezza
- Da chiarire
- Stato di attività
- Ferma
- Stack tecnologico
- android, tensorflow
- Ambito
- machine-learning, mobile-dev
Direzione di ricerca
Inizia esaminando la documentazione collegata di TensorFlow sul rilevamento degli oggetti e l’esempio Android lite/examples/object_detection. Esegui il profiling del percorso di inferenza esistente basato su NNAPI per identificare il costo di elaborazione rimanente, quindi determina quali modifiche supportate potrebbero raggiungere l’obiettivo richiesto di meno di 30 ms. Convalida il risultato sullo stesso dispositivo e con lo stesso modello.
Scritto dal modello di indicizzazione a partire dal testo della issue.
Descrizione
I trained ssd_mobilenet_v2 object detection model by https://github.com/tensorflow/models/blob/master/research/object_detection/g3doc/running_on_mobile_tf2.md and https://github.com/tensorflow/models/blob/master/research/object_detection/g3doc/tf2_detection_zoo.md
and convert to tflite to run on android app
https://github.com/tensorflow/examples/tree/master/lite/examples/object_detection.
The object detection processing time is approximately 30ms above.
I have used nnapi to increase speed, I hope to achieve an object detection time of less than 30ms . What methods can I use to further improve the detection speed?
- Lingua principale
- Python
- Stelle
- 77.6k
- Fork
- 44.8k
- Metriche di merge delle PR
- Nessuna PR unita negli ultimi 30g
Preparare l'ambiente
- Nessun Dockerfile né file Docker Compose
- Ha un modello di pull request
- Leggi la guida per i contributori
Come iniziare
- Leggi tutta la issue e poi la guida ai contributi del progetto.
- Commenta sulla issue per dire che te ne occupi tu — evita che due persone facciano lo stesso lavoro.
- Fai un fork del repository e lavora su un branch.
- Apri una pull request che faccia riferimento al numero della issue.
Altre issue di tensorflow/models
-
Difficoltà 1/5 Meno di un'ora Idoneità per principianti 72/100
tensorflow/models#13653 ·
-
object_detection_tutorial.ipynb pretrained model "resnet50 imagenet"Forse di nuovo libera @laxmareddyp l’ha presa 202 giorni fa e non c’è nessuna pull request aperta. Apertatype:support
tensorflow/models#13634 · 2 commenti · 1 reazione · 1 assegnatario ·
-
Tag version compatible with Tensorflow 2.20Forse di nuovo libera @bharatjetti l’ha presa 276 giorni fa e non c’è nessuna pull request aperta. Apertamodels:official type:bug
tensorflow/models#13607 · 1 commento · 1 assegnatario ·
-
models:research type:feature
Difficoltà 5/5 Più di una settimana Idoneità per principianti 10/100
tensorflow/models#13600 ·
-
Installation Issues on Python 3.13Forse di nuovo libera @bharatjetti l’ha presa 245 giorni fa e non c’è nessuna pull request aperta. Apertamodels:official type:bug
tensorflow/models#13587 · 9 commenti · 1 assegnatario ·
Tutte le issue di tensorflow/models
Issue simili
-
cli good first issue help wanted python up-for-grabs
Difficoltà 2/5 1-3 ore Idoneità per principianti 75/100
andrewsiah/agentswarm-data-tasks#36 ·
I maintainer di solito rispondono entro 1 giorno
-
bug drawing-tools
Difficoltà 2/5 1-3 ore Idoneità per principianti 76/100
cofade/open-garden-planner#827 ·
I maintainer di solito rispondono entro 1 giorno
-
Methodology pageApertadocumentation site texts
Difficoltà 2/5 1-3 ore Idoneità per principianti 67/100
Krasnopjorovs/temet#66 ·
-
bug
Difficoltà 2/5 1-3 ore Idoneità per principianti 83/100
I maintainer di solito rispondono entro 1 giorno
-
Difficoltà 1/5 1-3 ore Idoneità per principianti 76/100
I maintainer di solito rispondono entro 1 giorno