與同一模型的本機環境和OpenVINO™模型伺服器 （OVMS） 相比，推斷結果會有所不同

• 使用 保險理賠處理 存儲庫並載入 YOLO 模型來測試準確性。
• 推斷結果在本地載入的YOLO ONNX模型和載入到 OVMS 中的相同模型之間存在差異。
• 在 04-accident-recog 中觀察到的結果約為86%，而OVMS的回報率約為88%。

OpenVINO™和Ultralytics載入的模型似乎接收了不同的輸入，從而導致結果不同。

需要進行一些更改才能在本地環境中運行，這些更改是：

04-04-意外-識別.ipynb

1. 具有讀取輸入影像和運行預測的儲存格：

   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. 在原始影像上繪製結果的儲存格：

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

04-05-model-serving.ipynb

筆記本本身沒有變化。remote_infer.py所需的更改。

1. 預處理方法：

   // 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. 在後處理中調用draw_bounding_box：

   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]))