tensorflow 訓(xùn)練模型之目標檢測入門知識與案例解析

Tensorflow在更新1.0版本之后多了很多新功能，其中放出了很多用tf框架寫的深度網(wǎng)絡(luò)結(jié)構(gòu)，大大降低了開發(fā)難度，利用現(xiàn)成的網(wǎng)絡(luò)結(jié)構(gòu)，無論fine-tuning還是重新訓(xùn)練方便了不少。而且TensorFlow內(nèi)包含了一個強大的物體檢測API，我們可以利用這API來訓(xùn)練自己的數(shù)據(jù)集實現(xiàn)特殊的目標檢測。最近筆者終于跑通TensorFlow Object DetecTIon API的ssd_mobilenet_v1模型，這里記錄下如何完整跑通數(shù)據(jù)準備到模型使用的整個過程，相信對大家能有所幫助。

Object DetecTIon API提供了5種網(wǎng)絡(luò)結(jié)構(gòu)的預(yù)訓(xùn)練的權(quán)重，全部是用數(shù)據(jù)集進行訓(xùn)練，這五種模型分別是SSD+mobilenet、SSD+incepTIon_v2、R-FCN+resnet101、faster RCNN+resnet101、faster RCNN+incepTIon+resnet101。各個模型的精度和計算所需時間如下。下面及介紹下如何使用Object Detection去訓(xùn)練自己的模型。

這里TensorFlow的安裝就不再說明了，網(wǎng)上的教程一大把，大家可以找到很詳盡的安裝TensorFlow的文檔。

使用protobuf來配置模型和訓(xùn)練參數(shù)，所以API正常使用必須先編譯protobuf庫，這里可以下載直接編譯好的pb庫（ https://github.com/google/protobuf/releases ），解壓壓縮包后，把protoc加入到環(huán)境變量中：
$ cd tensorflow/models

$ protoc object_detection/protos/*.proto --python_out=.

（我是把protoc加到環(huán)境變量中，遇到找不到*.proto文件的報錯，后來把protoc.exe放到models/object_detection目錄下，重新執(zhí)行才可以）

然后將models和slim（tf高級框架）加入python環(huán)境變量：
PYTHONPATH=$PYTHONPATH:/your/path/to/tensorflow/models:/your/path/to/tensorflow/models/slim

數(shù)據(jù)集需要轉(zhuǎn)化成PASCAL VOC結(jié)構(gòu)，API提供了create_pascal_tf_record.py，把VOC結(jié)構(gòu)數(shù)據(jù)集轉(zhuǎn)換成.record格式。不過我們發(fā)現(xiàn)更簡單的方式，Datitran提供一種更簡單生產(chǎn).record格式的方法。

首先需要先要標注圖像相應(yīng)標簽，這里可以使用labelImg工具。每標注一張樣本，即生成一個xml的標注文件。然后，把這些標注的xml文件，按訓(xùn)練集與驗證集分別放置到兩個目錄下，在Datitran提供了xml_to_csv.py腳本。這里只要指定標注的目錄名即可。接下來，然后需要我們把對應(yīng)的csv格式轉(zhuǎn)換成.record格式。

def main():
# image_path = os.path.join(os.getcwd(), 'annotations')
image_path = r'D: raining-setsobject-detectionsunglasseslabel est'
xml_df = xml_to_csv(image_path)
xml_df.to_csv('sunglasses_test_labels.csv', index=None)
print('Successfully converted xml to csv.')

調(diào)用generate_tfrecord.py，注意要指定--csv_input與--output_path這兩個參數(shù)。執(zhí)行下面命令：
python generate_tfrecord.py --csv_input=sunglasses_test_labels.csv --output_path=sunglass_test.record

這樣就生成了訓(xùn)練及驗證用的train.record與test.record。接下來指定標簽名稱，仿照models/ object_detection/data/ pet_label_map.pbtxt，重新創(chuàng)建一個文件，指定標簽名。
item {
id: 1
name: 'sunglasses'
}

根據(jù)自己的需要，選擇一款用coco數(shù)據(jù)集預(yù)訓(xùn)練的模型，把前綴model.ckpt放置在待訓(xùn)練的目錄，這里meta文件保存了graph和metadata，ckpt保存了網(wǎng)絡(luò)的weights，這幾個文件表示預(yù)訓(xùn)練模型的初始狀態(tài)。

打開ssd_mobilenet_v1_pets.config文件，并做如下修改：

num_classes:修改為自己的classes num

將所有PATH_TO_BE_CONFIGURED的地方修改為自己之前設(shè)置的路徑（共5處）

其他參數(shù)均保持默認參數(shù)。

準備好上述文件后就可以直接調(diào)用train文件進行訓(xùn)練。
python object_detection/train.py
--logtostderr
--pipeline_config_path= D:/training-sets /data-translate/training/ssd_mobilenet_v1_pets.config
--train_dir=D:/training-sets/data-translate/training

TensorBoard監(jiān)控：

通過tensorboard工具，可以監(jiān)控訓(xùn)練過程，輸入西面指令后，在瀏覽器輸入localhost:6006（默認）即可。
tensorboard --logdir= D:/training-sets/data-translate/training