TensorFlow LSTM 视频目标检测实战指南research/lstm_object_detection 的架构原理、训练评估与 TFLite 部署【免费下载链接】modelsModels and examples built with TensorFlow项目地址: https://gitcode.com/GitHub_Trending/mode/models本文以 TensorFlow 仓库research/lstm_object_detection模块为对象系统讲解面向移动端视频流的 LSTM 目标检测方案它对应 CVPR 2018 的Temporally-Aware Feature Maps与后续Memory-GuidedLooking Fast and Slow两条技术路线。读完本文你将掌握该模块的代码组织结构、LSTM-SSD 元架构与关键配置字段能够基于样例 pipeline 配置完成视频序列数据的训练与逐帧评估并按官方导出手册将 checkpoint 逐步导出为可在端侧运行的 TFLite FlatBuffer 模型。LSTM 视频目标检测的核心思路是让检测网络对时间维度建模与逐帧独立检测相比它复用帧间的时序上下文来提升检测质量、同时通过稀疏计算后续的 Interleaved 方案显著降低平均每帧开销因而天然适配移动端视频场景。一、模块背景两篇驱动论文与技术路线本模块在官方 README 中明确了其实现对应的两篇论文它们构成了整个代码库的设计骨架Mobile Video Object Detection with Temporally-Aware Feature MapsLiu, Mason 与 Zhu, MenglongCVPR 2018—— 即LSTM-SSD把 SSD 检测器与卷积 LSTM 状态结合使特征图携带历史帧信息temporally-awareLooking Fast and Slow: Memory-Guided Mobile Video Object DetectionLiu, Mason、Zhu, Menglong、White, Marie、Li, Yinxiao 与 Kalenichenko, Dmitry—— 即Interleaved LSTM-SSD通过一个轻量网络快速处理大部分帧、一个稍重网络配合记忆门控处理关键帧在精度与每帧计算量之间做权衡。这两条路线的实现均可以在仓库代码中直接验证。元架构文件开头的 docstring 即声明这是带 LSTM 状态的卷积 Multibox/SSD 检测模型在视频数据上的通用 TensorFlow 实现同时支持常规 LSTM-SSD 与 interleaved LSTM-SSD 两种框架参见 lstm_ssd_meta_arch.py。二、代码地图十分钟看懂模块结构research/lstm_object_detection/目录将数据、模型、训练评估与端侧导出分成清晰的层次子目录/文件职责关键内容inputs/视频序列数据输入seq_dataset_builder.py构建按video_length展开的 batchtf_sequence_example_decoder.py解码 TF SequenceExamplelstm/循环单元实现lstm_cells.py卷积 LSTM 单元、rnn_decoder.py按时间步展开解码meta_architectures/整体元架构lstm_ssd_meta_arch.py中的LSTMSSDMetaArchmodels/特征提取器Mobilenet V1 版与 Interleaved Mobilenet V2 版 LSTM-SSD 特征提取器configs/完整训练配置两份 ImageNet-Vid 样例 pipelineV1 与 Interleaved V2protos/配置扩展协议pipeline.proto定义LstmModel扩展消息metrics/视频评估coco_evaluation_all_frames.py对所有帧做 COCO 式评测train.py / eval.py训练/评估入口命令行入口读取 pipeline 配置export_tflite_lstd_graph.py / export_tflite_lstd_model.py端侧导出checkpoint → frozen graph → TFLite FlatBuffertflite/C 端侧推理客户端mobile_lstd_tflite_client、mobile_ssd_tflite_client等三、核心原理LSTMSSDMetaArch 如何用 LSTM 做检测LSTMSSDMetaArch直接继承自 Object Detection API 的SSDMetaArch见 lstm_ssd_meta_arch.py因此 SSD 的 anchor 生成、box predictor、NMS 后处理、分类/定位损失等组件全部复用差异集中在两点引入unroll_length时间展开长度模型每次消费的是一个长度为unroll_length的视频片段而非单帧该值由配置中的train_unroll_length/eval_unroll_length决定并被写入元架构见 model_builder.py 中若 feature extractor 类型含lstm则从 lstm 配置取 unroll length的逻辑。predict接收并维护 LSTM 状态在predict()中特征提取器以states与state_name为输入展开时序特征提取预测字典里额外携带states_and_outputs以及非空状态时的step供循环过程传递状态见 lstm_ssd_meta_arch.py。注释同时表明在导出模型等场景中状态恒为零因此忽略 step。时序建模的状态具体由 lstm/lstm_cells.py 提供卷积 LSTM 单元、由 lstm/rnn_decoder.py 完成逐时间步的循环解码它们配有 lstm_cells_test.py 与 rnn_decoder_test.py 可验证行为。四、两种特征提取器与模型注册模型工厂通过扩充SSD_FEATURE_EXTRACTOR_CLASS_MAP注册两种新特征提取器类型见 model_builder.pyfeature_extractor.type字符串对应类特征lstm_ssd_mobilenet_v1LSTMSSDMobileNetV1FeatureExtractor源码常规 LSTM-SSD逐帧共享同一主干lstm_ssd_interleaved_mobilenet_v2LSTMSSDInterleavedMobilenetV2FeatureExtractor源码Interleaved 版本多个主干按策略交错构建时除标准 SSD 参数depth_multiplier、min_depth、use_depthwise、卷积超参等外还会把 LSTM 特有配置注入特征提取器包括lstm_state_depth、flatten_state、clip_state、scale_state、is_quantized、low_res对 interleaved 类型还会设置pre_bottleneck、多档depth_multipliers并根据is_training分别选择train_interleave_method或eval_interleave_method见 model_builder.py。五、配置体系理解 lstm_model 扩展字段LSTM-SSD 的配置在标准TrainEvalPipelineConfig之上通过 proto 扩展追加lstm_model消息扩展号为 205743444见 protos/pipeline.proto。仓库两份样例配置即采用该结构。所有字段的含义与默认值在 proto 中均有注释汇总如下字段含义默认值样例配置中的取值train_unroll_length训练时的时间展开长度无4eval_unroll_length评估/导出时的时间展开长度无4lstm_state_depthLSTM 状态特征图深度256320Interleaved V2 版depth_multipliers多个特征提取器的深度倍率interleaved/ensemble无1.4、0.35train_interleave_method训练时模型交错策略取值RANDOM/RANDOM_SKIP_SMALLRANDOMRANDOM_SKIP_SMALLeval_interleave_method评估时交错策略取值RANDOM/RANDOM_SKIP/SKIPKSKIP9SKIP3lstm_state_strideLSTM 状态的步长32—flatten_state是否摊平 LSTM 状态与输出仅供 tfmini/tflite 导出内部使用pipeline 中一般不要设置false—pre_bottleneck是否在进入 LSTM 门控前加瓶颈层使多个主干可各自拥有瓶颈、不必强制输出同维度falsetrueInterleaved V2 版scale_state是否归一化 LSTM 状态false—clip_state是否将 LSTM 状态裁剪到 [0, 6]true—is_quantized是否量化训练由graph_rewriter覆盖无需手动设置false—low_resinterleaved 模型用较小网络时是否对输入降采样falsetrueInterleaved V2 版pre_bottleneck字段的注释形象解释了 interleaved 设计的动机模型 1 输出深度为 d1 的特征图、模型 2 输出深度为 d2 的特征图pre-bottleneck 允许 LSTM 输入表现为conv(concat([f_1, h]))或conv(concat([f_2, h]))避免两路特征被强制对齐到同一维度。两份官方样例配置对照lstm_ssd_mobilenet_v1_imagenet.config常规 LSTM-SSD Mobilenet V1用于 ImageNet-Vid。典型设定包括num_classes: 30、Faster R-CNN box codery_scale/x_scale: 10.0、height_scale/width_scale: 5.0、5 层 SSD anchormin_scale 0.2、max_scale 0.95、宽高比 1/2/0.5/3/0.3333、fixed_shape_resizer缩放到 256×256训练采用 RMSProp初始学习率 0.002、200000 步衰减 0.95、momentum 0.9from_detection_checkpoint: true做检测模型微调输入为TF_SEQUENCE_EXAMPLE类型的 tf_record 视频video_length: 4。lstm_ssd_interleaved_mobilenet_v2_imagenet.config在 V1 配置基础上把feature_extractor.type换为lstm_ssd_interleaved_mobilenet_v2、输入分辨率提到 320×320并加上第五节表格中的 interleaved 专属参数。两份配置都要求label map 路径与输入数据路径需替换为真实路径评估部分使用metrics_set: coco_evaluation_all_frames即对所有帧做统一评测而非只评测稀疏帧对应实现见 metrics/coco_evaluation_all_frames.py。六、训练与评估命令行实操模块同时支持单一 pipeline 文件与模型/训练/输入三个配置分开两种方式。以下命令均在research/目录下执行并需保证lstm_object_detection与object_detection两个 Python 包可被导入代码基于tensorflow.compat.v1编写请使用匹配的 TensorFlow 1.x 兼容环境。6.1 训练# 方式一单一 pipeline 配置推荐train.py 会忽略其他 config 参数 python lstm_object_detection/train.py \ --logtostderr \ --train_dirpath/to/train_dir \ --pipeline_config_pathlstm_object_detection/configs/lstm_ssd_mobilenet_v1_imagenet.config # 方式二分别给出 model / train / input 三份配置 python lstm_object_detection/train.py \ --logtostderr \ --train_dirpath/to/train_dir \ --model_config_pathmodel.config \ --train_config_pathtrain.config \ --input_config_pathtrain_input.config从 train.py 源码可以看到完整流程解析配置得到model、lstm_model、train_config、train_input_config四组对象用model_builder.build(model_config, lstm_config, is_trainingTrue)构造检测模型把配置里的数据增强选项逐一交给preprocessor_builder构建调用seq_dataset_builder.build(...)并以lstm_config.train_unroll_length作为展开长度构造输入最后交给trainer.train(...)。注意 train.py 中对分布式训练的限制若存在多个 worker 而没有 ps 任务会直接报错At least 1 ps task is needed for distributed training.说明该训练器面向单机或 master-workerps 的传统分布式模式。6.2 评估python lstm_object_detection/eval.py \ --logtostderr \ --checkpoint_dirpath/to/checkpoint_dir \ --eval_dirpath/to/eval_dir \ --pipeline_config_pathlstm_object_detection/configs/lstm_ssd_mobilenet_v1_imagenet.configeval.py 的关键行为校验checkpoint_dir与eval_dir必填把解析出的完整 pipeline 写入eval_dir/pipeline.config留档评估用模型以is_trainingFalse构建、按eval_unroll_length展开从 label map 加载类别信息若设置--run_once则把max_evals强制置为 1单轮评估即退出否则按配置持续监听新 checkpoint 评估。另有--eval_training_data开关置真时用训练输入替换评估输入并把评估展开长度对齐训练展开长度见 eval.py便于在训练集上自查拟合程度。七、TFLite 导出checkpoint 到端侧模型的两步走本模块最实用的部分是模型部署流水线官方导出步骤记录在 g3doc/exporting_models.mdREADME 中唯一展开的实操链接也是模块开箱可用的入口核心是先导 frozen graph、再转 FlatBuffer两步。第一步从 checkpoint 导出 TFLite frozen graph# 在 research/ 目录下执行 PIPELINE_CONFIG_PATH{pipeline 配置路径} TRAINED_CKPT_PREFIX/{path/to/model.ckpt} EXPORT_DIR{导出目录} python lstm_object_detection/export_tflite_lstd_graph.py \ --pipeline_config_path ${PIPELINE_CONFIG_PATH} \ --trained_checkpoint_prefix ${TRAINED_CKPT_PREFIX} \ --output_directory ${EXPORT_DIR} \ --add_preprocessing_op导出成功后${EXPORT_DIR}内将出现两个文件tflite_graph.pb二进制冻结图与tflite_graph.pbtxt文本图。第二步从 frozen graph 转 TFLite FlatBufferFROZEN_GRAPH_PATH{上一步导出的 tflite_graph.pb} EXPORT_PATH{输出 FlatBuffer 文件名} PIPELINE_CONFIG_PATH{pipeline 配置路径} python lstm_object_detection/export_tflite_lstd_model.py \ --export_path ${EXPORT_PATH} \ --frozen_graph_path ${FROZEN_GRAPH_PATH} \ --pipeline_config_path ${PIPELINE_CONFIG_PATH}输出${EXPORT_PATH}即为可供应用加载的 TFLite FlatBuffer 模型。导出背后的实现约束源码级解读结合 export_tflite_lstd_graph_lib.py 可以把两个命令的真实语义讲透这些限制直接决定你的模型能否成功导出只支持 SSD 模型非 SSD 配置会抛出ValueError见 export_tflite_lstd_graph_lib.py。只支持fixed_shape_resizer输入占位符input_video_tensor的形状取[eval_unroll_length, height, width, channels]其中高宽来自fixed_shape_resizer通道数在convert_to_grayscale时为 1、否则为 3其他 resizer 一律报错见 export_tflite_lstd_graph_lib.py。这就是为什么评估/导出时的输入是一段视频切片而非单帧。后处理在端侧完成导出器把raw_outputs/box_encodings、raw_outputs/class_predictionsscore conversion 之后和常量张量anchors冻结为输出然后追加名为TFLite_Detection_PostProcess的 custom op并写入 NMS 阈值、每类/总数最大框数、box coder 的 y/x/h/w scale 等属性最后用strip_unused_nodes剪掉无关节点见 export_tflite_lstd_graph_lib.py。这意味着解码框与 NMS 都由 TFLite runtime 的自定义算子执行。移动平均参数的处理若eval_config.use_moving_averages为真会先把 checkpoint 中的变量替换成滑动平均值再冻结这也是两个官方配置在 eval 段开启use_moving_averages的原因见 export_tflite_lstd_graph_lib.py。量化支持导出阶段会检查 pipeline 中是否存在graph_rewriter存在则按量化图重写器执行is_quantized从结构可以推断配合 protos/quant_overrides.proto 可实现量化感知训练的导出链路。而 export_tflite_lstd_model.py 中转换器指定输入数组input_video_tensor、输出为TFLite_Detection_PostProcess的 4 个输出张量框/类别/分数/框数并显式设置converter.allow_custom_ops True以放行上面的端侧后处理算子注意该脚本用配置里的eval_unroll_length拼输入形状其input_shapes字典中空间尺寸固定写为 320×320若你的配置使用了其他分辨率需要留意此处的一致性。八、端侧运行C 推理客户端导出并不是终点。tflite/目录提供了在移动端加载该模型进行推理的参考实现核心是 mobile_lstd_tflite_client.h 与 mobile_ssd_tflite_client.hLSTD 专用版与通用移动 SSD 版配套 tflite/utils/ 下的转换与 SSD 解码工具conversion_utils.cc、ssd_utils.cc以及一组描述 anchors、box encodings、检测结果与 label map 的 protobuftflite/protos/。如需在仓库内快速验证导出的 TFLite 模型可用性可以参考 test_tflite_model.py 的调用方式。九、实战建议与延伸阅读从样例配置起步两份官方配置注释明确标注For training on Imagenet Videonum_classes: 30对应 ImageNet-Vid迁移到自有视频数据集时需同步替换 label map、序列化 TFRecord 数据与类别数并注意tf_record_video_input_reader中video_length数据侧与unroll_length模型侧的匹配。数据格式是前提输入必须是带时间维度的TF_SEQUENCE_EXAMPLE序列由 inputs/tf_sequence_example_decoder.py 解码、inputs/seq_dataset_builder.py 组 batch普通单帧检测数据集需要先完成序列化改造。导出前核对三项配置模型必须是 SSD 系、resizer 必须是fixed_shape_resizer、eval_unroll_length需与预期视频切片长度一致否则导出脚本会直接报错或产出形状不符的模型。进一步阅读模块 README、模型导出手册、LSTM-SSD 元架构源码、LstmModel 配置协议、元架构测试可当作架构行为的可执行说明。仓库内 legacy/detection/ 等目录属于其他检测实现与本文主题无关阅读时注意区分。需要提醒的是模块代码整体基于 TensorFlow 1.x 语义大量tensorflow.compat.v1与tf.gfile调用在现代 TF2 环境中运行需以 TF1 兼容模式为前提本文所述命令与配置均以当前仓库research/lstm_object_detection内的实际文件为准。【免费下载链接】modelsModels and examples built with TensorFlow项目地址: https://gitcode.com/GitHub_Trending/mode/models创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
