Hasil Inferensi Berbeda Jika Dibandingkan dengan Lingkungan Lokal dan Server Model OpenVINO™ (OVMS) untuk Model yang Sama

• Menggunakan repositori Pemrosesan Klaim Asuransi dan memuat Model YOLO untuk menguji akurasi.
• Hasil inferensi berbeda antara model YOLO ONNX yang dimuat secara lokal, dan model yang sama dimuat ke dalam OVM.
• Hasil yang diamati pada 04-accident-recog sekitar 86%, sedangkan OVMS kembali sekitar 88%.

Tampaknya model yang dimuat OpenVINO™ dan Ultralytics menerima input berbeda yang menyebabkan perbedaan dalam hasil.

Beberapa perubahan perlu dilakukan untuk berjalan di lingkungan lokal, ini adalah perubahannya:

04-04-kecelakaan-recog.ipynb

1. Sel dengan membaca gambar input dan menjalankan prediksi:

   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. Sel yang menggambar hasil pada gambar asli:

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

04-05-model-serving.ipynb

Tidak ada perubahan dalam buku catatan itu sendiri. Perubahan yang diperlukan dalam remote_infer.py.

1. Metode praproses:

   // 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. Panggilan untuk draw_bounding_box di dalam postprocess:

   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]))