TensorFlow使用object detection训练自己的模型用于物体识别

使用object detection训练并识别自己的模型

1.安装tensorflow(version>=1.4.0)

2.部署tensorflow models
  - 在这里下载
  - 解压并安装
    - 解压后重命名为models复制到tensorflow/目录下
    - 在linux下
      - 进入tensorflow/models/research/目录,运行protoc object_detection/protos/*.proto --python_out=.
      - 在~/.bashrc file.中添加slim和models/research路径
      export PYTHONPATH=$PYTHONPATH:/path/to/slim:/path/to/research
    - 在windows下
      - 下载protoc-3.3.0-win32.zip(version==3.3,已知3.5版本会报错
      - 解压后将protoc.exe放入C:\Windows下
      - 在tensorflow/models/research/打开powershell,运行protoc object_detection/protos/*.proto --python_out=.

3.训练数据准备(标记分类的图片)
  - 安装labelImg 用来手动标注图片 ,图片需要是png或者jpg格式
  - 标注信息会被保存为xml文件,使用 这个脚本 将所有xml文件转换为一个csv文件(xml文件路径识别在29行,根据情况自己修改)
  - 把生成的csv文件分成训练集和测试集

4.生成TFRecord文件
  - 使用 这个脚本 将两个csv文件生成出两个TFRecord文件(训练自己的模型,必须使用TFRecord格式文件。图片路径识别在86行,根据情况自己修改)

5.创建label map文件
  id需要从1开始,class-N便是自己需要识别的物体类别名,文件后缀为.pbtxt
    item{
      id:1
      name: 'class-1'
      }
    item{
      id:2
      name: 'class-2'
      }

6.下载模型并配置文件
  - 下载一个模型(文件后缀.tar.gz)
  - 修改对应的训练pipline配置文件 
    - 查找文件中的PATH_TO_BE_CONFIGURED字段,并做相应修改
      - num_classes 改为你模型中包含类别的数量
      - fine_tune_checkpoint 解压.tar.gz文件后的路径 + /model.ckpt
      - from_detection_checkpoint:true
      - train_input_reader
        - input_path 由train.csv生成的record格式训练数据
        - label_map_path 第5步创建的pbtxt文件路径
      - eval_input_reader
        - input_path 由test.csv生成的record格式训练数据
        - label_map_path 第5步创建的pbtxt文件路径

7. 训练模型
  - 进入tensorflow/models/research/目录,运行
  python object_detection/train.py --logtostderr  --pipeline_config_path=${PATH_TO_YOUR_PIPELINE_CONFIG} //第六步中修改的pipline配置文件路径// --train_dir=${PATH_TO_TRAIN_DIR} //生成的模型保存路径//

8.导出模型
  - 在第7步中,--train_dir指向的路径中会生成一系列训练中自动保存的checkpoint,一个checkpoint由三个文件组成,后缀分别是.data-00000-of-00001 .index和.meta,任然在第7步的路径中,运行
    python object_detection/export_inference_graph.py --input_type image_tensor  --pipeline_config_path ${PIPELINE_CONFIG_PATH} //第六步中修改的pipline配置文件路径// --trained_checkpoint_prefix ${TRAIN_PATH} //上述的一个checkpoint,例如model.ckpt-112254// --output_directory ${OUTPUT_PATH} //输出模型文件的路径//
  - 目前直接使用export_infernce_graph.py会报错,解决方法是将object_detection/目录下的export.py文件中第71行的
  rewrite_options = rewriter_config_pb2.RewriterConfig(layout_optimizer=rewriter_config_pb2.RewriterConfig.ON)
  改为
  rewrite_options = rewriter_config_pb2.RewriterConfig()

9.使用新模型识别图片
  - 在jupyter notebook中打开object_detection/路径下的object_detection_tutorial.ipynb文件
  - 修改第四步代码中的PATH_TO_CKPT,指向第8步导出模型路径中的frozen_inference_graph.pb文件
  - 修改第四步代码中的PATH_TO_LABELS,指向第5步创建的pbtxt文件路径
  - 修改第四步代码中的NUM_CLASSES为模型实际包含的类别数
  - 注释掉第五步所有代码
  - 修改第九步代码中的PATH_TO_TEST_IMAGES_DIR, 指向待识别图片文件夹路径
  - 修改第九步代码中TEST_IMAGE_PATHS, 将文件名和扩展名修改为实际图片格式,如图片为1.bmp、2.bmp... 则对应改为'{}.bmp',同时修改i值范围以覆盖所有待检测图片

 

参考文档

https://gist.github.com/douglasrizzo/c70e186678f126f1b9005ca83d8bd2ce
https://towardsdatascience.com/how-to-train-your-own-object-detector-with-tensorflows-object-detector-api-bec72ecfe1d9

posted @ 2018-02-01 21:23  evempire  阅读(8655)  评论(1编辑  收藏  举报