Google深度学习目标检测API模型比较

谷歌最新推出了一个目标检测API，其中利用经典的目标检测模型Faster-rcnn，SSD以及RFCN，并且选用了不同的CNN如resnet101，resnet-v2，mobilenet以及inceptionv2，训练了5个目标检测的模型。github地址如下。
Google目标检测API
为了在自己的项目中应用目标检测，实时性以及准确性的要求比较高，虽然官方给出了一个比较的列表如下：

但是我仍想做做实验看看实际效果，因此按照github步骤，实现了这五个模型，并利用自带的前两张图片，自己又重新从网上任意选取了3张大小不同的图片来做测试。效果如下

精确度测试

ssd_mobilenet_v1

ssd_inception_v2

frcn_resnet101

faster_rcnn_resnet101

faster_rcnn_resnet_v2

可以从上面看到，准确度方面和官方描述一致，但能很直接的感受到faster-rcnn能检测出的目标多余ssd，而frcn却是一种不错的选择，比较完下面的运行时间你就明白了！

运行时间测试

ssd_mobilenet_v1

第一个数值包括了启动模型时间，因此耗时比较长，可以看到大约为6.5秒，而单幅图片平均处理时间也为大约1.92秒

ssd_inception_v2

启动时间加第一张图约为9.4秒，每张图测试平均运行时间大约为2.662秒

frcn_resnet101

启动时间加第一张图约为44.247秒,明显高于ssd模型，每张图测试平均运行时间大约为28.048秒，明显高于ssd模型

faster_rcnn_resnet101

启动时间加第一张图约为79.662秒,明显高于ssd模型，每张图测试平均运行时间大约为63.467秒，大约为ssd模型的2倍，为ssd模型的31倍

faster_rcnn_resnet_v2

启动时间加第一张图约为208.639秒,明显高于ssd模型，每张图测试平均运行时间大约为181.51秒，大约为ssd模型的6倍，为ssd模型的90倍

总结

若要降深度学习的方法应用到工业检测上，则必须在优化模型，使得测试时间足够短，且检测精度足够高，此啊能有效的应用在目标检测方面。