TensorFlow object detection API

2024年5月9日 177次阅读 来源: tensorflow

cloud执行：https://github.com/tensorflow/models/blob/master/research/object_detection/g3doc/running_pets.md

本地执行：https://github.com/tensorflow/models/blob/master/research/object_detection/g3doc/running_locally.md

1. 获取数据Oxford-IIIT Pets Dataset 

# From tensorflow/models/research/
wget http://www.robots.ox.ac.uk/~vgg/data/pets/data/images.tar.gz
wget http://www.robots.ox.ac.uk/~vgg/data/pets/data/annotations.tar.gz
# 解压
tar -xvf images.tar.gz
tar -xvf annotations.tar.gz

 最后tensorflow/models/research/下文件结构

images/
annotations/
object_detection/
others 

2. 对数据进行转换

Tensorflow Object Detection API希望数据是TFRecode格式，所以先执行create_pet_tf_record脚本来将Oxford-IIIT pet数据集进行转换

注：要提前安装好需要的库，不然这一步会有不少错

#From tensorflow/models/research/
python object_detection/dataset_tools/create_pet_tf_record.py \
--label_map_path=object_detection/data/pet_label_map.pbtxt \
    --data_dir=`pwd` \
    --output_dir=`pwd`
# 在tensorflow/models/research/会生成10个标准的TFRecord文件：pet_faces_train.record-* pet_faces_val.record-*
cp pet_faces_train.record-* /tensorflow/models/research/object_detection/data
cp pet_faces_val.record-*  /tensorflow/models/research/object_detection/data
cp object_detection/data/pet_label_map.pbtxt ${YOUR_DIRECTORY}/data/pet_label_map.pbtxt

最后结果：

两个TFRecode文件将会在tensorflow/models/research/下生成，分别为pet_train_with_mask.record和pet_val_with_mask.record(和例子中给出的不一样)

遇到的问题：

  • TypeError: __init__() got an unexpected keyword argument ‘serialized_options’

protobuf原来用的3.6.1版本，改成3.5.1就对了

可以在https://github.com/google/protobuf/releases下载exe文件，然后在系统变量中配置其路径

  • NewRandomAccessFile failed to Creat/Open: xxxx  No such process

文件的路径写错了，没有找到相应的文件

3. 下载已经训练好的COCO模型 

下载训练好的模型，且放到data目录下

wget http://storage.googleapis.com/download.tensorflow.org/models/object_detection/faster_rcnn_resnet101_coco_11_06_2017.tar.gz
tar -xvf faster_rcnn_resnet101_coco_11_06_2017.tar.gz
cp faster_rcnn_resnet101_coco_11_06_2017/model.ckpt.* ${YOUR_DIRECTORY}/data/

 4. 配置对象检测pipeline

Tensorflow Object Detection API中模型参数、训练参数、评估参数都是在一个config文件中配置

object_detection/samples/configs下式一些object_detection配置文件的结构。这里用faster_rcnn_resnet101_pets.config作为配置的开始。搜索文件中的PATH_TO_BE_CONFIGURED，并修改，主要是数据存放的路径

5. object dectection代码进行打包

调用.sh文件，后面的/tmp/pycocotools是输出目录

.sh文件做的事情：

  • 下载https://github.com/cocodataset/cocoapi.git
  • 并且创建pycocotools目录，需要放到object_detection下 
# From tensorflow/models/research/
# 下载pycocotools-2.0.tar到/tmp/pycocotools下
bash object_detection/dataset_tools/create_pycocotools_package.sh /tmp/pycocotools
# 然后解压到object_detection/下
tar -xvf faster_rcnn_resnet101_coco_11_06_2017.tar.gz /object_detection
# 进入PythonAPI，调用setup.py
python setup.py

 问题：

  • cl: 命令行 error D8021 :无效的数值参数“/Wno-cpp”

https://blog.csdn.net/heiheiya/article/details/81128749

可以把这个项目下载下来，然后在PythonAPI中执行set up

  • 原教程中的cd slim&python setup.py sdists，是用来打包的(因为我是本地跑所以没有执行)

6. 开始训练和评估

为了开始训练和执行，在tensorflow/models/research/ 目录下执行如下命令 

# From tensorflow/models/research/
python object_detection/model_main.py 
　　--pipeline_config_path=${YOUR_DIRECTORY}\object_detection\samples\configs\faster_rcnn_resnet101_pets.config 
　　--model_dir=${YOUR_DIRECTORY}\object_detection\data 
　　--num_train_steps=50000 
　　--num_eval_steps=2000 
　　--alsologtostderr

问题： 

  • \object_detection\models\faster_rcnn_inception_resnet_v2_feature_extractor.py”, line 28, in <module> from nets import inception_resnet_v2 ModuleNotFoundError: No module named ‘nets’

因为我的目录中nets是在slim下的，只要到py文件中改下路径就好了 

  • File “xx\tensorflow\models\research\object_detection\core\post_processing.py”, line 150, in multiclass_non_max_suppressionscore_threshold=score_thresh)TypeError: non_max_suppression() got an unexpected keyword argument ‘score_threshold’

post_processing.py中把multiclass_non_max_suppression的参数删除就可以了

7. tensorboard对过程进行监视

tensorboard --logdir=${YOUR_DIRECTORY}/model_dir

8. 导出tensorflow图

文件保存在${YOUR_DIRECTORY}/model_dir，一般包括如下三个文件

  • model.ckpt-${CHECKPOINT_NUMBER}.data-00000-of-00001
  • model.ckpt-${CHECKPOINT_NUMBER}.index
  • model.ckpt-${CHECKPOINT_NUMBER}.meta

找到一个要导出的checkpoint，执行命令 

# From tensorflow/models/research/cp ${YOUR_DIRECTORY}/model_dir/model.ckpt-${CHECKPOINT_NUMBER}.* .
python object_detection/export_inference_graph.py \
    --input_type image_tensor \
    --pipeline_config_path object_detection/samples/configs/faster_rcnn_resnet101_pets.config \
    --trained_checkpoint_prefix model.ckpt-${CHECKPOINT_NUMBER} \
    --output_directory exported_graphs

最后exported_graphs中包含保存的模型和图

9. 一些小坑

  • 原来用git clone来下models文件，很容易失败。直接下载models.zip会快一些
    原文作者：tensorflow
    原文地址: https://www.cnblogs.com/coolqiyu/p/9440475.html
    本文转自网络文章，转载此文章仅为分享知识，如有侵权，请联系博主进行删除。
点赞