与相同模型的本地环境和OpenVINO™模型服务器 （OVMS） 相比，推理结果存在分歧

• 使用 保险索赔处理 存储库并加载 YOLO 模型来测试准确性。
• 推理结果在本地加载的 YOLO ONNX 模型与加载到 OVMS 中的相同模型之间存在分歧。
• 在 04-accident-recog 中观察到的结果约为 86%，而 OVMS 的返回率约为 88%。

OpenVINO™和Ultralytics加载的模型似乎收到了不同的输入，这导致了结果的差异。

要在本地环境中运行，需要进行一些更改，以下是更改：

04-04-accident-recog.ipynb

1. 带有读取输入图像和运行预测的单元格：

   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. 在原始图像上绘制结果的单元格：

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

04-05-model-serving.ipynb

笔记本本身没有变化。所需的remote_infer.py更改。

1. 预处理方法：

   // 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. 调用draw_bounding_box后处理：

   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]))