同じモデルのローカル環境およびOpenVINO™・モデル・サーバー (OVMS) と比較した場合、推論結果が異なる

• 保険金請求処理リポジトリーを使用し、YOLO モデルをロードして精度をテストしました。
• ローカルにロードされた YOLO ONNX モデルと、OVMS にロードされた同じモデルの間で、推論結果が異なります。
• 04-事故認識で観察された結果は約86%でしたが、OVMSは約88%を返しました。

OpenVINO™モデルとUltralyticsのロードモデルは異なる入力を受け取ったため、結果に違いが生じているようです。

ローカル環境で実行するには、いくつかの変更を行う必要があります。変更は次のとおりです。

04-04-accident-recog.ipynb

1. 入力画像を読み取り、予測を実行するセル:

   original_image: np.ndarray = cv2.imread("images/carImage3.jpg")
   blob = cv2.dnn.blobFromImage(original_image, size=(640, 640), swapRB=False)
   blob = np.ascontiguousarray(blob[0].transpose((1,2,0)))
   results = model.predict(blob)

2. 元の画像に結果を描画するセル:

   Image.fromarray(result.plot()[:,:,::-1].astype(np.uint8))

04-05-model-serving.ipynb

ノートブック自体に変更はありません。remote_infer.pyに必要な変更。

1. 前処理方法:

   // code placeholder
   def preprocess(image_path):
   original_image: np.ndarray = cv2.imread(image_path)
   [height, width, _] = original_image.shape

   # Calculate scale factor
   scale = (height/640, width/640)

   # Preprocess the image and prepare blob for model
   blob = cv2.dnn.blobFromImage(original_image, scalefactor=1 / 255, size=(640, 640), swapRB=True)
   return blob, scale, original_image

2. ポストプロセス内のdraw_bounding_box呼び出し:

   draw_bounding_box(original_image, class_ids[index], scores[index], round(box[0] * scale[1]), round(box[1] * scale[0]),round((box[0] + box[2]) * scale[1]), round((box[1] + box[3]) * scale[0]))