No se detecta nada en la API de detección de objetos Tensorflow

Estoy tratando de implementar la muestra API de detección de objetos Tensorflow. Estoy siguiendo los videos de sentdex para empezar. El código de muestra se ejecuta perfectamente, también muestra las imágenes que se utilizan para probar los resultados, pero no se muestran los límites alrededor de los objetos detectados. Sólo la imagen del plano se muestra sin errores.

Estoy usando este código: Este enlace Github .

Este es mi resultado después de ejecutar el código de ejemplo.

introduzca la descripción de la imagen aquí

Otra imagen sin ningún tipo de detección.

introduzca la descripción de la imagen aquí

¿Qué me estoy perdiendo aquí? El código se incluye en el enlace anterior y no hay registros de errores.

Resultados de caja, puntaje, clases, números en ese orden.

[[[ 0.74907303 0.14624023 1. 1. ] [ 0. 0. 1. 1. ] [ 0. 0.20880508 1. 1. ] [ 0.74907303 0.14624023 1. 1. ] [ 0. 0. 1. 1. ] [ 0. 0. 1. 1. ] [ 0. 0. 1. 1. ] [ 0. 0. 1. 1. ] [ 0. 0. 1. 1. ] [ 0.74907303 0.14624023 1. 1. ] [ 0.74907303 0.14624023 1. 1. ] [ 0.74907303 0.14624023 1. 1. ] [ 0. 0. 1. 1. ] [ 0. 0. 1. 1. ] [ 0. 0. 1. 1. ] [ 0.74907303 0.14624023 1. 1. ] [ 0. 0. 1. 1. ] [ 0. 0. 1. 1. ] [ 0. 0. 1. 1. ] [ 0. 0. 1. 1. ] [ 0.74907303 0.14624023 1. 1. ] [ 0. 0. 1. 1. ] [ 0. 0. 1. 1. ] [ 0. 0. 1. 1. ] [ 0. 0. 1. 1. ] [ 0. 0. 1. 1. ] [ 0. 0. 1. 1. ] [ 0.74907303 0.14624023 1. 1. ] [ 0. 0. 1. 1. ] [ 0. 0. 1. 1. ] [ 0. 0. 1. 1. ] [ 0. 0. 1. 1. ] [ 0. 0. 1. 1. ] [ 0. 0. 1. 1. ] [ 0. 0.20934391 1. 1. ] [ 0. 0. 1. 1. ] [ 0. 0. 1. 1. ] [ 0. 0.20880508 1. 1. ] [ 0. 0. 1. 1. ] [ 0. 0. 1. 1. ] [ 0. 0. 1. 1. ] [ 0. 0. 1. 1. ] [ 0. 0. 1. 1. ] [ 0. 0. 1. 1. ] [ 0. 0. 1. 1. ] [ 0. 0. 1. 1. ] [ 0.74907303 0.14624023 1. 1. ] [ 0. 0. 1. 1. ] [ 0. 0. 1. 1. ] [ 0. 0. 1. 1. ] [ 0.74907303 0.14624023 1. 1. ] [ 0. 0. 1. 1. ] [ 0. 0. 1. 1. ] [ 0. 0. 1. 1. ] [ 0. 0. 1. 1. ] [ 0.74907303 0.14624023 1. 1. ] [ 0. 0. 1. 1. ] [ 0. 0. 1. 1. ] [ 0. 0. 1. 1. ] [ 0. 0. 1. 1. ] [ 0. 0. 1. 1. ] [ 0. 0. 1. 1. ] [ 0. 0. 1. 1. ] [ 0.74907303 0.14624023 1. 1. ] [ 0.74907303 0.14624023 1. 1. ] [ 0.74907303 0.14624023 1. 1. ] [ 0. 0. 1. 1. ] [ 0. 0. 1. 1. ] [ 0. 0. 1. 1. ] [ 0. 0. 1. 1. ] [ 0.74907303 0.14624023 1. 1. ] [ 0. 0. 1. 1. ] [ 0. 0. 1. 1. ] [ 0. 0. 1. 1. ] [ 0. 0. 1. 1. ] [ 0. 0. 1. 1. ] [ 0. 0. 1. 1. ] [ 0. 0. 1. 1. ] [ 0. 0. 1. 1. ] [ 0.74907303 0.14624023 1. 1. ] [ 0.74907303 0.14624023 1. 1. ] [ 0. 0. 1. 1. ] [ 0. 0. 1. 1. ] [ 0. 0. 1. 1. ] [ 0. 0. 1. 1. ] [ 0.74907303 0.14624023 1. 1. ] [ 0. 0. 1. 1. ] [ 0. 0. 1. 1. ] [ 0. 0. 1. 1. ] [ 0. 0. 1. 1. ] [ 0. 0. 1. 1. ] [ 0. 0. 1. 1. ] [ 0. 0. 1. 1. ] [ 0. 0. 1. 1. ] [ 0. 0. 1. 1. ] [ 0. 0. 1. 1. ] [ 0. 0. 1. 1. ] [ 0. 0. 1. 1. ] [ 0. 0. 1. 1. ] [ 0. 0. 1. 1. ]]] [[ 0.03587547 0.02224986 0.0186467 0.01096812 0.01003207 0.00654409 0.00633549 0.00534311 0.0049596 0.00410213 0.00362371 0.00339186 0.00308251 0.00303347 0.00293389 0.00277099 0.00269575 0.00266825 0.00263925 0.00263331 0.00258657 0.00240822 0.0022581 0.00186967 0.00184311 0.00180467 0.00177475 0.00173655 0.00172811 0.00171935 0.00171891 0.00170288 0.00163755 0.00162967 0.00160273 0.00156545 0.00153615 0.00140941 0.00132407 0.00131524 0.0013105 0.00129431 0.0012582 0.0012553 0.00122365 0.00119186 0.00115651 0.00115186 0.00112369 0.00107097 0.00105805 0.00104338 0.00102719 0.00102337 0.00100349 0.00097762 0.00096851 0.00092741 0.00088506 0.00087696 0.0008734 0.00084826 0.00084135 0.00083513 0.00083398 0.00082068 0.00080583 0.00078979 0.00078059 0.00077476 0.00075448 0.00074426 0.00074421 0.00070195 0.00068741 0.00068138 0.00067262 0.00067125 0.00067033 0.00066035 0.00064729 0.00064205 0.00061964 0.00061794 0.00060835 0.00060465 0.00059548 0.00059479 0.00059461 0.00059436 0.00059426 0.00059411 0.00059406 0.00059392 0.00059365 0.00059351 0.00059191 0.00058798 0.00058682 0.00058148]] [[ 1. 1. 18. 32. 62. 60. 63. 67. 61. 49. 31. 84. 50. 54. 15. 44. 44. 49. 31. 56. 88. 28. 88. 52. 17. 32. 38. 75. 3. 33. 48. 59. 35. 57. 47. 51. 19. 27. 72. 4. 84. 6. 55. 20. 58. 65. 61. 82. 42. 34. 40. 21. 43. 64. 39. 62. 36. 22. 79. 46. 16. 40. 41. 77. 16. 48. 78. 77. 89. 86. 27. 8. 87. 5. 25. 70. 80. 76. 75. 67. 65. 37. 2. 9. 73. 63. 29. 30. 69. 66. 68. 26. 71. 12. 45. 83. 13. 85. 74. 23.]] [ 100.] [[[ 0. 0. 1. 1. ] [ 0. 0. 1. 1. ] [ 0. 0.68494415 1. 1. ] [ 0. 0. 1. 1. ] [ 0. 0. 1. 1. ] [ 0. 0.68494415 1. 1. ] [ 0. 0. 1. 1. ] [ 0. 0. 1. 1. ] [ 0. 0. 1. 1. ] [ 0. 0. 1. 1. ] [ 0. 0. 1. 1. ] [ 0.00784111 0. 1. 1. ] [ 0. 0. 1. 1. ] [ 0. 0. 1. 1. ] [ 0. 0. 1. 1. ] [ 0. 0. 1. 1. ] [ 0. 0. 1. 1. ] [ 0. 0. 1. 1. ] [ 0. 0. 1. 1. ] [ 0. 0. 1. 1. ] [ 0. 0. 1. 1. ] [ 0. 0. 1. 1. ] [ 0. 0. 1. 1. ] [ 0. 0. 1. 1. ] [ 0. 0. 1. 1. ] [ 0. 0. 1. 1. ] [ 0. 0. 1. 1. ] [ 0. 0. 1. 1. ] [ 0. 0. 1. 1. ] [ 0. 0. 1. 1. ] [ 0. 0. 1. 1. ] [ 0. 0. 1. 1. ] [ 0. 0. 1. 1. ] [ 0. 0. 1. 1. ] [ 0. 0. 1. 1. ] [ 0. 0. 1. 1. ] [ 0. 0. 1. 1. ] [ 0. 0. 1. 1. ] [ 0. 0. 1. 1. ] [ 0. 0. 1. 1. ] [ 0. 0. 1. 1. ] [ 0. 0. 1. 1. ] [ 0. 0. 1. 1. ] [ 0. 0.68494415 1. 1. ] [ 0. 0. 1. 1. ] [ 0. 0.68494415 1. 1. ] [ 0. 0. 1. 1. ] [ 0. 0. 1. 1. ] [ 0. 0. 1. 1. ] [ 0. 0. 1. 1. ] [ 0. 0. 1. 1. ] [ 0. 0. 1. 1. ] [ 0. 0. 1. 1. ] [ 0. 0. 1. 1. ] [ 0. 0. 1. 1. ] [ 0. 0. 1. 1. ] [ 0. 0. 1. 1. ] [ 0. 0. 1. 1. ] [ 0. 0.68494415 1. 1. ] [ 0. 0. 1. 1. ] [ 0. 0. 1. 1. ] [ 0. 0. 1. 1. ] [ 0. 0. 1. 1. ] [ 0. 0. 1. 1. ] [ 0. 0. 1. 1. ] [ 0. 0. 1. 1. ] [ 0. 0. 1. 1. ] [ 0. 0. 1. 1. ] [ 0. 0. 1. 1. ] [ 0. 0. 1. 1. ] [ 0. 0. 1. 1. ] [ 0. 0. 1. 1. ] [ 0. 0. 1. 1. ] [ 0. 0. 1. 1. ] [ 0. 0. 1. 1. ] [ 0. 0. 1. 1. ] [ 0. 0. 1. 1. ] [ 0. 0. 1. 1. ] [ 0. 0. 1. 1. ] [ 0. 0. 1. 1. ] [ 0. 0. 1. 1. ] [ 0. 0. 1. 1. ] [ 0. 0. 1. 1. ] [ 0. 0. 1. 1. ] [ 0. 0. 1. 1. ] [ 0. 0. 1. 1. ] [ 0. 0. 1. 1. ] [ 0. 0.68494415 1. 1. ] [ 0. 0. 1. 1. ] [ 0. 0. 1. 1. ] [ 0. 0. 1. 1. ] [ 0. 0. 1. 1. ] [ 0. 0.68494415 1. 1. ] [ 0. 0. 1. 1. ] [ 0. 0.68494415 1. 1. ] [ 0. 0. 1. 1. ] [ 0. 0. 1. 1. ] [ 0. 0. 1. 1. ] [ 0. 0.68494415 1. 1. ] [ 0. 0.68494415 1. 1. ]]] [[ 0.01044297 0.0098214 0.00942165 0.00846471 0.00613666 0.00398615 0.00357754 0.0030054 0.00255861 0.00236574 0.00232631 0.00220291 0.00185227 0.0016354 0.0015979 0.00145072 0.00143661 0.00141369 0.00122685 0.00118978 0.00108457 0.00104251 0.00099215 0.00096401 0.0008708 0.00084773 0.00080484 0.00078507 0.00078378 0.00076876 0.00072774 0.00071732 0.00071348 0.00070812 0.00069253 0.0006762 0.00067269 0.00059905 0.00059367 0.000588 0.00056114 0.0005504 0.00051472 0.00051057 0.00050973 0.00048486 0.00047297 0.00046204 0.00044787 0.00043259 0.00042987 0.00042673 0.00041978 0.00040494 0.00040087 0.00039576 0.00039059 0.00037274 0.00036831 0.00036417 0.00036119 0.00034645 0.00034479 0.00034078 0.00033771 0.00033605 0.0003333 0.0003304 0.0003294 0.00032326 0.00031787 0.00031773 0.00031748 0.00031741 0.00031732 0.00031729 0.00031724 0.00031722 0.00031717 0.00031708 0.00031702 0.00031579 0.00030416 0.00030222 0.00029739 0.00029726 0.00028289 0.0002653 0.00026325 0.00024584 0.00024221 0.00024156 0.00023911 0.00023335 0.00021619 0.0002001 0.00019127 0.00018342 0.00017273 0.00015509]] [[ 38. 1. 1. 16. 25. 38. 64. 24. 49. 56. 20. 3. 28. 2. 48. 19. 21. 62. 50. 6. 8. 7. 67. 18. 35. 53. 39. 55. 15. 57. 72. 52. 10. 5. 42. 43. 76. 22. 82. 4. 61. 23. 17. 16. 87. 62. 51. 60. 36. 58. 59. 33. 31. 54. 70. 11. 40. 79. 31. 9. 41. 77. 80. 34. 90. 89. 73. 13. 84. 32. 63. 29. 30. 69. 66. 68. 26. 71. 12. 45. 83. 14. 44. 78. 85. 46. 47. 19. 65. 74. 37. 27. 63. 88. 28. 81. 86. 75. 27. 18.]] [ 100.] 

EDITAR: De acuerdo con las respuestas sugeridas, está funcionando cuando usamos el modelo faster_rcnn_resnet101_coco_2017_11_08 . Pero es más preciso y por eso es más lento. Quiero esta aplicación con alta velocidad porque la usaré en la detección de objetos en tiempo real (en la cámara web). Así que necesito usar un modelo más rápido ( ssd_mobilenet_v1_coco_2017_11_08 )

Como solución, cambie #MODEL_NAME = ‘ssd_mobilenet_v1_coco_2017_11_08’ a MODEL_NAME = ‘faster_rcnn_resnet101_coco_2017_11_08’.

El problema es del modelo: 'ssd_mobilenet_v1_coco_2017_11_08'

Solución: cambie a una versión diferente 'ssd_mobilenet_v1_coco_11_06_2017' (este tipo de modelo es el más rápido, cambiar a otros tipos de modelo lo hará más lento y no lo que usted desea)

Solo cambia 1 línea de código:

 # What model to download. MODEL_NAME = 'ssd_mobilenet_v1_coco_11_06_2017' 

Cuando uso su código, no se muestra nada, pero cuando lo sustituyo por mi modelo de experimento anterior 'ssd_mobilenet_v1_coco_11_06_2017' funciona bien

Puedes usar el antiguo ‘ssd_mobilenet_v1 …’ y ejecutar tu progtwig completamente con cuadros (lo ejecuté justo ahora y es correcto). Este es un enlace a esta versión anterior. Espero que corrijan la nueva versión pronto!

Yo solia tener el mismo problema.

Pero recientemente se ha subido un nuevo modelo ‘ssd_mobilenet_v1_coco_2017_11_17’

Lo probé y funciona a la perfección 🙂

La función visualize_boxes_and_labels_on_image_array tiene el siguiente código:

  for i in range(min(max_boxes_to_draw, boxes.shape[0])): if scores is None or scores[i] > min_score_thresh: 

por lo tanto, la puntuación debe ser mayor que min_score_thresh (valor predeterminado de 0.5), puedes verificar si hay algunas puntuaciones más grandes.