[参考译文] TDA4VM：导入 tflite 模型

请使用此处的量化配置来实现移动 v2和高效网、

https://github.com/TexasInstruments/edgeai-benchmark/blob/master/configs/classification.py

请参阅以下内容、了解我们为这些模型实现的8位量化精度

https://github.com/TexasInstruments/edgeai-modelzoo/blob/master/modelartifacts/report_TDA4VM.csv

尊敬的 Kumar：  

我们测试了 已使用正确配置构建的 mobilenetv2 (更确切地说、是 mobilenet_v2_1.0_224.tflite、我们直接从 software-dl.ti.com/.../cl-0010_tflitert_imagenet1k_tf1-models_mobilenet_v2_1.0_224_tflite.tar.gz 下载)。 虽然报告中显示的准确性可能与官方 MobileNet v2结果相当,但实际预测(即预测类中的模型置信度)与.tflite 模型的预测有显著差异。 例如、我们在"ti-processor-sdk-rtos-j721e-evm-08_00_00_12"的以下四张图片上对其进行了测试：

图像                               Real 标签              微粒预测          Tidl 模型预测          TOP1抖动      TOP1 tidl
testvecs/input/airshow.jpg                 895                   0.61735                0.490337                896          896
testvecs/input/ti_lindau_I00000.jpg          557                  0.25838175               0.365260                868          868
testvecs/input/ti_lindau_000020.jpg         442                  0.36412942               0.219044                830          830
testvecs/input/0000000271.png            498                  0.20371029               0.076484                451          512

虽然前三幅图像的标签预测相符、但置信度却大不相同。 在第四个图像中,标签和预测都不同,我们担心这会经常发生,这些差异在预测中。 似乎没有明显的模式在 tidl 和 tflite 模型预测之间的差异,所以我们不能考虑它。

对于输出标签较少的问题、这个问题证明对于精度指标至关重要。

此致、

哈吉耶夫·米特科