Python中的object_detection.builders.post_processing_builderbuild()方法详解

object_detection.builders.post_processing_builder.build方法是用于构建目标检测网络的后处理层的方法。后处理层主要负责对网络输出的预测边界框进行进一步处理，例如应用阈值、应用非极大值抑制等，最终生成最终的检测结果。

该方法的参数如下所示：

- post_processing_config：一个post_processing.proto文件中定义的PostProcessing类型的配置对象。

- is_training：一个布尔值，表示模型当前是否在训练中。

使用例子如下所示：

from object_detection.protos import post_processing_pb2
from object_detection.builders import post_processing_builder

# 创建一个PostProcessing配置对象
post_processing_config = post_processing_pb2.PostProcessing()
post_processing_config.batch_non_max_suppression.score_threshold = 0.5
post_processing_config.batch_non_max_suppression.iou_threshold = 0.5
post_processing_config.batch_non_max_suppression.max_detections_per_class = 100
post_processing_config.batch_non_max_suppression.max_total_detections = 100

# 构建后处理层
post_processing = post_processing_builder.build(post_processing_config, is_training=False)

上述代码首先导入了post_processing_pb2和post_processing_builder模块，然后创建了一个PostProcessing类型的配置对象post_processing_config。接下来，设置了一些后处理层的参数，例如分数阈值、IOU阈值和每个类别的最大检测数等。

最后，通过调用post_processing_builder.build方法，传入配置对象和训练状态，得到一个后处理层的实例post_processing。

需要注意的是，参数is_training用于指定当前模型是否在训练中。如果设置为True，将会使用训练模式下的后处理配置；如果设置为False，将会使用测试模式下的后处理配置。

返回的post_processing对象可以根据需要对检测结果进行进一步的处理，例如应用阈值、应用非极大值抑制等。