TensorFlow目标检测中基于检测分数的对象计数问题求助

高频踩坑点按排查优先级排序 #

• 输出张量维度未对齐：EdjeElectronics提供的检测模板中，模型输出的detection_scores默认带有1维的batch size维度（形状为[1, N]，N为单帧最多检测的目标数），如果没有通过np.squeeze()去掉batch维就直接遍历，实际遍历的是二维数组的外层，根本拿不到具体的分数值，判断逻辑自然不会触发。
  常见错误写法：

  # 直接遍历带batch维度的scores数组
  for score in output_dict['detection_scores']:
      if 0.6 < score <= 1.0:
          current_count +=1
  

  修正方式：在遍历前先对输出做维度压缩，拿到单帧的一维分数数组。
• 输出字段键名错配：模板中各输出张量的键名是固定的，如果写计数逻辑时误将detection_boxes（坐标值，数值范围通常为0~图像尺寸，远大于1）、detection_classes（类别id，为整数）等字段当作detection_scores遍历，所有判断都不会满足分数区间要求，计数自然恒为0。
• 判断逻辑写反或符号错误：如果分数比较的符号写反（比如将score >0.6写为score <0.6），就会只统计低于阈值的无效检测项；由于模板中无实际检测结果的填充项分数固定为0，最终累加得到的有效计数自然为0。
• 张量类型比较失效：如果直接对TensorFlow的EagerTensor/会话返回的张量值做数值比较，没有转换为Python原生浮点数，部分旧版本TensorFlow环境下会出现布尔判断失效的问题，导致累加逻辑永远不执行。
• 代码执行顺序错位：将计数累加循环放在模型推理之前，每帧运行时拿到的始终是上一帧的空输出字典，有效检测数为0，无法触发累加。
• 变量作用域错误：如果将current_count的变量定义放在了可视化绘制函数的内部，外部循环累加的current_count和画面上绘制的current_count不是同一个变量，就会出现内部循环累加正常、但画面上始终显示初始值0的情况。

可直接参考的正确计数实现 #

结合模板的常用流程，计数逻辑写在可视化代码之前即可：

# 每帧检测执行完成、拿到output_dict输出字典后
current_count = 0  # 每帧计数前先清零，避免跨帧累计
# 压缩batch维度，拿到单帧检测分数
scores = np.squeeze(output_dict['detection_scores'])
# 遍历所有检测项
for score in scores:
    score_val = float(score) # 转成原生浮点数避免类型问题
    if 0.6 < score_val <= 1.0:
        current_count += 1
# 后续执行可视化逻辑，把current_count绘制到画面上

快速定位调试方法 #

在计数循环中临时打印调试信息，快速定位问题：

• 打印遍历拿到的score值和类型，确认拿到的是0~1区间的分数而非其他字段值
• 打印判断条件的返回结果，确认当score大于0.6时条件是否能被正确判定为True
• 打印current_count在累加前后的数值，确认变量是否被意外重置

内容的提问来源于stack exchange，提问作者darkKnight