# 物体検出のtfliteモデル比較

###### tags: `ID`

## やったこと

* https://dev.classmethod.jp/machine-learning/tensorflow-lite-with-coral-usb-accelerator-on-mac/ を参考に、mac book proで`tflite`モデルを動かせる環境構築を行った。

* `mobilenet-ssd-v2`modelと`yolo-v3`modelの速度と精度を比較した。

## メモ
* 基本的には上記サイトの情報に沿って進めれば環境構築が可能。
* ただし、以下の点に注意
* コマンドライン引数で指定するモデルの名前は`models/mobilenet_ssd_v2_coco_quant_postprocess.tflite`にする（`_edgetpu`とついているものはtpu向けに変換されている）
* こちらのコード(https://github.com/google-coral/tflite/blob/ce557abbbf2c135a4ede052a8e75f3af6eb39d6f/python/examples/detection/detect_image.py#L55)を以下のように変更する（元のコードは`edgetpu`を使うことが前提になっている）

    def make_interpreter(model_file):
        model_file, *device = model_file.split('@')
    return tflite.Interpreter(model_path=model_file)

* 実行の流れ（自分用メモ）

$ cd i-d/tflite-coral-example/
$ source ./venv37/bin/activate
$ cd edgetpu_runtime/google-coral/tflite/python/examples/detection
$ python detect_image.py --model models/mobilenet_ssd_v2_coco_quant_postprocess.tflite --labels models/coco_labels.txt --input images/img4.JPG

* `yolo-v3`を動かす際は以下のようなコマンドを実行する。

$ cd i-d/tflite-coral-example/
$ source ./venv37/bin/activate
$ cd tensorflow-lite-YOLOv3
$ python tflite_example.py -i example.jpg

## 所感
* 量子化すると`yolo-v3`も`mobilenet-ssd-v2`もあんまり精度が変わらないかもしれない。
* それでいて精度は10倍ぐらい違う。