2020-12-30 23:03:31

new/master-cv-tf-2x/11.md

@@ -780,7 +780,7 @@ $interpreter = tf.lite.Interpreter(model_path=args.model_file)
 
 现在，让我们执行以下步骤进行图像分类：
 
-1.  使用文件管理器转到`image_classification`目录，即`pi/examples/lite/examples/image_classification/raspberry_pi`。 您将看到一个名为`classify_picamera.py`的文件。 现在，转到 [https://www.tensorflow.org/lite/guide/hosted_models](https://www.tensorflow.org/lite/guide/hosted_models) 并下载对象检测模型以及名为`mobilenet_v2_1.0_224.tflite`和`labels_mobilenet_v2_1.0_224.txt`的`label`文件文件夹。 将这些文件复制到`pi/examples/lite/examples/image_classification/raspberry_pi`中。
+1.  使用文件管理器转到`image_classification`目录，即`pi/examples/lite/examples/image_classification/raspberry_pi`。 您将看到一个名为`classify_picamera.py`的文件。 现在，转到[这里](https://www.tensorflow.org/lite/guide/hosted_models)并下载对象检测模型以及名为`mobilenet_v2_1.0_224.tflite`和`labels_mobilenet_v2_1.0_224.txt`的`label`文件文件夹。 将这些文件复制到`pi/examples/lite/examples/image_classification/raspberry_pi`中。
 
 2.  接下来，使用`pi/examples/lite/examples/image_classification/raspberry_pi`使用终端转到目录并执行以下命令：
 
@@ -795,7 +795,7 @@ $Python3 classify_picamera.py –model mobilenet_v2_1.0_224.tflite –labels lab
 在 Raspberry Pi 上安装 TensorFlow lite 之后，我们现在可以执行对象检测。 按着这些次序：
 
 1.  使用文件管理器进入对象检测目录，即`pi/examples/lite/examples/object_detection/raspberry_pi`。 您将看到一个名为`detect_picamera.py`的文件。
-2.  现在，转到 [https://www.tensorflow.org/lite/guide/hosted_models](https://www.tensorflow.org/lite/guide/hosted_models) 并下载名为`coco_ssd_mobilenet_v1_1.0_quant_2018_06_29`的对象检测模型和标签文件文件夹。 在此文件夹中，您将看到两个文件：`detect.tflite`和`labelmap.txt`。
+2.  现在，转到[这里](https://www.tensorflow.org/lite/guide/hosted_models)并下载名为`coco_ssd_mobilenet_v1_1.0_quant_2018_06_29`的对象检测模型和标签文件文件夹。 在此文件夹中，您将看到两个文件：`detect.tflite`和`labelmap.txt`。
 3.  将这些文件复制到`pi/examples/lite/examples/object_detection/raspberry_pi`中。
 4.  接下来，使用`pi/examples/lite/examples/object_detection/raspberry_pi`使用终端转到对象检测目录，并执行以下命令：
 
@@ -825,7 +825,7 @@ $Python3 detect_picamera.py –model detect.tflite –labels labelmap.txt
 
 # 适用于 iPhone 的 TensorFlow Lite 转换模型
 
-在本节中，我们将描述如何在 iPhone 上使用 tflite 模型进行对象检测。 有关详细信息，请参阅以下 GitHub 页面上概述的步骤： [https://github.com/tensorflow/examples/tree/master/lite/examples/image_classification/ios](https://github.com/tensorflow/examples/tree/master/lite/examples/image_classification/ios) 。
+在本节中，我们将描述如何在 iPhone 上使用 tflite 模型进行对象检测。 有关详细信息，[请参阅以下 GitHub 页面上概述的步骤](https://github.com/tensorflow/examples/tree/master/lite/examples/image_classification/ios)。
 
 本质上，该过程可以分为以下步骤：
 
@@ -868,7 +868,7 @@ $pod install
 
 # 核心 ML
 
-Core ML 是 Apple 的机器学习框架，该框架集成了来自 TensorFlow 等各种来源的神经网络模型，并在必要时进行了转换，然后优化了 GPU / CPU 性能以进行设备上的训练和推理，同时最大程度地减小了应用程序尺寸和功耗。 在 WWDC 2019 中引入的 Core ML 3 更新了设备上特定用户数据的神经网络模型，从而消除了设备到云的交互并最大程度地提高了用户隐私。 有关更多信息，请访问 [https://developer.apple.com/machine-learning/core-ml](https://developer.apple.com/machine-learning/core-ml) 。 Core ML 本身建立在诸如 Accelerate 和 BNNS 以及 Metal Performance Shaders 之类的低级基元之上。 所有 Core ML 模型均具有`.mlmodel`扩展名。
+Core ML 是 Apple 的机器学习框架，该框架集成了来自 TensorFlow 等各种来源的神经网络模型，并在必要时进行了转换，然后优化了 GPU / CPU 性能以进行设备上的训练和推理，同时最大程度地减小了应用程序尺寸和功耗。 在 WWDC 2019 中引入的 Core ML 3 更新了设备上特定用户数据的神经网络模型，从而消除了设备到云的交互并最大程度地提高了用户隐私。 有关更多信息，请访问[这里](https://developer.apple.com/machine-learning/core-ml)。 Core ML 本身建立在诸如 Accelerate 和 BNNS 以及 Metal Performance Shaders 之类的低级基元之上。 所有 Core ML 模型均具有`.mlmodel`扩展名。
 
 Core ML 的核心部分是 Create ML，它是用于图像分类和对象检测的 Apple 机器学习框架。 该系统类似于 TensorFlow，但使用零编码生成模型更容易。 在 macOS 上，打开 Xcode 并输入`.mlmodel`，如以下屏幕截图所示：
 
@@ -889,7 +889,7 @@ Core ML 的核心部分是 Create ML，它是用于图像分类和对象检测
 *   最终的训练损失为 0.83，这表明结果非常好–任何低于 1 的值都应表明检测良好。 请注意，仅使用 68 张图像即可获得该图像，这表明我们不需要大量图像即可开发出良好的神经网络模型。
 *   请注意，与 TensorFlow 相比，使用 Create ML 开发模型非常容易-绝对零编码，无需转换，也无需前往单独的站点即可查看图表。 一切都紧凑且易于使用。
 
-开发模型后，将其移植到以下用 Swift 编写的视觉框架。 它将检测带有边界框的对象： [https://developer.apple.com/documentation/vision/recognizing_objects_in_live_capture](https://developer.apple.com/documentation/vision/recognizing_objects_in_live_capture) 。
+开发模型后，将其移植到以下用 Swift 编写的视觉框架。 [它将检测带有边界框的对象](https://developer.apple.com/documentation/vision/recognizing_objects_in_live_capture)。
 
 以下是有关应用程序开发的一些注意事项：
 
@@ -921,20 +921,20 @@ Core ML 的核心部分是 Create ML，它是用于图像分类和对象检测
 
 许多企业将标签工作作为其核心业务模型之一。 每个云服务提供商都与人类标签商合作，为神经网络开发工作执行准确的图像标签服务。 以下是有关在哪里可以找到第三方数据标签服务的一些信息。 请注意，此列表并不全面，因此请在此列表之外进行自己的研究，以找到适合您需求的数据标签服务：
 
-*   Google Cloud –数据标签。 有关详细信息，请转到 [https://cloud.google.com/ai-platform/data-labeling/docs](https://cloud.google.com/ai-platform/data-labeling/docs) 。
-*   Amazon Sagemaker 地面真相–使用 Amazon Mechanical Turk 进行数据标记。 有关详细信息，请转到 [https://aws.amazon.com/sagemaker/groundtruth](https://aws.amazon.com/sagemaker/groundtruth) 。
-*   Hive AI 数据标签服务。 有关详细信息，请转到 [https://thehive.ai](https://thehive.ai) 。
-*   Cloud Factory 数据标签服务。 有关详细信息，请转到 [https://www.cloudfactory.com](https://www.cloudfactory.com) 。
+*   Google Cloud –数据标签。 有关详细信息，请转到[这里](https://cloud.google.com/ai-platform/data-labeling/docs)。
+*   Amazon Sagemaker 地面真相–使用 Amazon Mechanical Turk 进行数据标记。 有关详细信息，请转到[这里](https://aws.amazon.com/sagemaker/groundtruth)。
+*   Hive AI 数据标签服务。 有关详细信息，请转到[这里](https://thehive.ai)。
+*   Cloud Factory 数据标签服务。 有关详细信息，请转到[这里](https://www.cloudfactory.com)。
 
 数据标记服务的成本可能会很高。
 
 # 自动或半自动贴标
 
-在本节中，我们将讨论一个完全免费的自动注释工具，该工具应减少人工标记的程度。 这是英特尔的**计算机视觉注释工具**（ **CVAT** ）工具，它非常有前途，仅通过加载模型即可执行完整的自动注释作为起点。 您可以在 [https://software.intel.com/zh-cn/articles/computer-vision-annotation-tool-a-universal-approach-to-data-annotation](https://software.intel.com/en-us/articles/computer-vision-annotation-tool-a-universal-approach-to-data-annotation) 中找到有关该工具的更多信息。 。
+在本节中，我们将讨论一个完全免费的自动注释工具，该工具应减少人工标记的程度。 这是英特尔的**计算机视觉注释工具**（ **CVAT** ）工具，它非常有前途，仅通过加载模型即可执行完整的自动注释作为起点。 您可以在[这个页面](https://software.intel.com/en-us/articles/computer-vision-annotation-tool-a-universal-approach-to-data-annotation)中找到有关该工具的更多信息。 。
 
 该工具能够为边界框，多边形和语义分段创建注释，并且还可以执行自动注释。 该工具可以将注释输出为 VOC XML，JSON TXT 或 TFRecord 文件。 这意味着，如果您使用该工具，则无需将图像转换为 TFRecord 形式–您可以直接训练神经网络。 请按照以下步骤学习如何使用该工具：
 
-1.  执行必要的安装。 所有说明均在终端中执行，包括安装 Docker，构建 Docker 映像以及克隆 CVAT 源代码。 可以在 [https://github.com/opencv/cvat/blob/master/cvat/apps/documentation/installation.md](https://github.com/opencv/cvat/blob/master/cvat/apps/documentation/installation.md) 中找到更多信息。
+1.  执行必要的安装。 所有说明均在终端中执行，包括安装 Docker，构建 Docker 映像以及克隆 CVAT 源代码。 可以在[这个页面](https://github.com/opencv/cvat/blob/master/cvat/apps/documentation/installation.md)中找到更多信息。
 2.  通过转到[这里](https://github.com/opencv/cvat/blob/master/components/tf_annotation/README.md)，安装已在 coco 数据集上训练的 Faster R-CNN ResNet 初始 Atrous 模型。
 3.  安装 OpenVINO 模型。 如果您使用的是 TensorFlow，则无需安装 OpenVINO 模型-只需直接转到*步骤 4* 。 但是，如果要使用 Intel Open Model Zoo 中的模型或您自己的自定义模型，[请遵循此链接上的说明](https://github.com/opencv/cvat/blob/master/cvat/apps/auto_annotation/README.md)。
 4.  打开谷歌浏览器，然后输入`localhost:8080`。 这将打开 CVAT。 请注意，CVAT 当前仅可在 Google Chrome 浏览器上使用。