基于tensorflow版SSD目标检测（linux系统）

落日映苍穹つ 2021-07-26 22:55 609阅读 0赞

# 基于tensorflow版SSD目标检测（linux系统） #

## 致谢声明 ##

本文在学习《目标检测实践\_tensorflow版SSD数据准备》的基础上优化并总结，此博客链接：[https://www.jianshu.com/p/3d9436b4cb66，感谢此博客作者。][https_www.jianshu.com_p_3d9436b4cb66]  
**1、前言**  
在进行本文操作之前，需要先安装好tensorflow，anaconda。  
本文作者的环境：python3.7.5、linux、tensorflow1.13.1。  
**2、下载图片**  
本文作者将进行猫（cat）和狗（dog）的识别，同学们可从网上下载，本文作者将提供python爬虫下载图片。链接: [https://pan.baidu.com/s/1PHsnL9OH8ABgutP8Ze\_GaA][https_pan.baidu.com_s_1PHsnL9OH8ABgutP8Ze_GaA] 提取码: rdpr  
在桌面新建文件夹 **目标识别** ，在该文件下放下载好的图片的文件夹 **photos**。  
**3、给图片打标签**  
本文作者打标签将使用 **labelImg-master** 工具。在 **labelImg-master**文件下，打开终端，输入 **python [labelImg.py][]**，打开后的界面如下图所示：![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ0ODk2NDU1_size_16_color_FFFFFF_t_70]  
点击Open Dir，首先打开桌面的目标检测文件夹，在选中文件夹photos的情况下，点击选择文件夹按钮。  
**注意：只需要鼠标选中文件夹photos，不需要进入文件夹photos中。**  
在输入法为英文输入的情况下，按键盘上的w键则可以开始绘制方框，方框会框住图片中的物体。完成绘制方框后，还需要为方框标上类别，如下图所示。![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ0ODk2NDU1_size_16_color_FFFFFF_t_70 1]  
**注意：每完成一张图的打标签，一定要记得保存。**  
标签打完之后，在photos文件夹下会出现 **.xml** 文件。  
**4、数据准备**  
在 目标检测 文件夹下打开终端，输入 jupyter notebook ，会打开一个新的标签页，如下图：![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ0ODk2NDU1_size_16_color_FFFFFF_t_70 2]  
点击 **新建——python3**,将出现一个新的未命名标签页，如下图：![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ0ODk2NDU1_size_16_color_FFFFFF_t_70 3]  
点击 **未命名** 进行重命名。为了同学们方便对照学习，建议同学们与本文作者的重命名一样。  
<1>、xml文件转csv文件。新建文件xml\_to\_csv.ipynb。  
**注意：xml转csv的意思是，将xml文件中的信息整合到csv文件中。**  
代码链接: [https://pan.baidu.com/s/1mJQmBTd0RsVHiZm4L4lnPQ][https_pan.baidu.com_s_1mJQmBTd0RsVHiZm4L4lnPQ] 提取码: e7pi  
如下图 ：![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ0ODk2NDU1_size_16_color_FFFFFF_t_70 4]  
运行代码后会显示 成功产生文件train.csv,训练集共有多少张图片  
成功产生文件test.csv,测试集共有多少张图片。  
<2>、csv 文件转 tfrecord 文件。新建文件csv\_to\_tfrecord.ipynb。  
**注意：csv转tfrecord的意思是，将csv文件中的信息和图片数据整合到tfrecord文件中。**  
代码链接: [https://pan.baidu.com/s/1jtE2fEFu2BVL4oFNuM3Sog][https_pan.baidu.com_s_1jtE2fEFu2BVL4oFNuM3Sog] 提取码: s4z2  
如下图：![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ0ODk2NDU1_size_16_color_FFFFFF_t_70 5]  
运行代码后会显示 成功产生tfrecord文件，保存在路径:training/train.tfrecord  
成功产生tfrecord文件，保存在路径:training/test.tfrecord。  
**5、配置环境**  
下载文件**object\_detection**。  
链接: [https://pan.baidu.com/s/1wIwipa-HVyf9amQrSFJuzw][https_pan.baidu.com_s_1wIwipa-HVyf9amQrSFJuzw] 提取码: gu8w  
下载文件**nets**  
链接: [https://pan.baidu.com/s/1Z-Fy5oKQwOfki-n4sbidsA][https_pan.baidu.com_s_1Z-Fy5oKQwOfki-n4sbidsA] 提取码: ngdf  
**6、编写pbtxt文件**  
在桌面文件夹目标检测的文件夹training中，创建文本文件my\_label\_map.pbtxt。  
复制下面一段内容到文本文件my\_label\_map.pbtxt中。

item {
        name : "cat"
        id : 1
    }
    item {
        name : "dog"
        id : 2
    }

**注意：此处的"cat" "dog"应该与打的标签名称一致。如果同学们以后自己练习时，可根据自己的标签名称和数量修改my\_label\_map.pbtxt文件。**  
**7、编写tensorflow\_model.pth文件**  
在桌面文件夹目标检测的文件夹中，创建文本文件tensorflow\_model.pth。内容为：  
**目标检测文件夹的路径  
目标检测文件夹的路径/silm**  
例如本文作者：**/home/lmj/桌面/目标检测2  
/home/lmj/桌面/目标检测2/slim**  
**注意：将文本文件tensorflow\_model.pth编辑好之后，复制到/anaconda3/lib/python3.7/site-packages路径下**  
如果没有编写配置tensorflow\_model.pth，训练模型时会报错：

Traceback (most recent call last):
      File "object_detection/model_main.py", line 25, in <module>
        from object_detection import model_hparams
    ModuleNotFoundError: No module named 'object_detection'

![在这里插入图片描述][20190601195312956.png]  
**8、编写配置文件**  
<1>、下载配置文件  
在桌面文件夹目标检测的文件夹training中，创建配置文件ssdlite\_mobilenet\_v2\_coco.config。  
链接: [https://pan.baidu.com/s/1ERp0zJ4cpI5VHHeHcyI\_Rg][https_pan.baidu.com_s_1ERp0zJ4cpI5VHHeHcyI_Rg] 提取码: ud28  
<2>、修改配置文件  
原生配置文件中的需要修改的部分：  
a、第9行的num\_classes，对于本文来说，此数设置为2。因为只有两类标签“cat” “dog”  
b、第143行的batch\_size，对于本文来说，此数设置为5，读者根据自己的电脑配置，可以调高或者调低。  
c、第177行input\_path设置成"training/train.tfrecord"。  
d、第179行label\_map\_path设置成"training/my\_label\_map.pbtxt"。  
e、第191行input\_path设置成"training/test.tfrecord"。  
f、第193行label\_map\_path设置成"training/my\_label\_map.pbtxt"。  
g、第158、159这2行需要删除。

**9、训练数据**  
在桌面**目标检测**文件夹下打开终端，输入代码：  
`python object_detection/model_main.py --pipeline_config_path=training/ssdlite_mobilenet_v2_coco.config --model_dir=training --alsologtostderr`按下回车开始训练。训练时不可关闭这个终端，否则训练终止。训练次数可在目标检测文件夹下的training文件中查看。当终端显示 Use `tf.data.Dataset.batch(..., drop_remainder=True)`.时说明没有出现错误。  
**10、查看模型训练情况**  
模型训练稳定地进行后，在桌面的目标检测文件夹中新打开一个终端，终端中运行命令：`tensorboard --logdir=training。`运行结束后，终端中会有一个链接（例如本文作者`http://lmj-Inspiron-3442:6006` ），将此链接复制到浏览器中，可查看模型训练情况（建议使用谷歌浏览器）。如果训练次数较少，模型训练会不太理想，识别度较低或者识别错误等等，建议训练20000次。本文作者当训练8000次左右时可查看到模型，训练次数较少时输入的链接打不开。  
**11、模型测试**  
<1>、在目标检测文件夹下打开终端，输入代码：

python object_detection/export_inference_graph.py --input_type=image_tensor --pipeline_config_path=training/ssdlite_mobilenet_v2_coco.config --trained_checkpoint_prefix=training/model.ckpt-35549 --output_directory=cat_35549_graph

**注意：这里的 cat\_35549\_graph名称是导出的模型的名称，可自行修改，但数字 35549 是自己训练模型的次数，训练了N次，这里的数字就是N。**  
<2>、将导出的模型文件放到object\_detection文件夹下。  
<3>、复制my\_label\_map.pbtxt文件到object\_detection文件夹下的data文件夹中。  
<4>、在object\_detection文件下的test\_images文件夹中放入我们要测试的图片。  
<5>在object\_detection文件下打开终端，输入jupyter notebook，回车，此时将打开jupyter notebook。  
<6>打开object\_detection\_tutorial.ipynb。需要修改一下地方：![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ0ODk2NDU1_size_16_color_FFFFFF_t_70 6]  
MODEL\_NAME = 后面的名称根据导出的模型名称修改。![在这里插入图片描述][20190601194017810.png]  
\{\}.jpg根据自己的测试图片的名称修改，(1, 2)为测试图片的数量。  
<7>、每个模块挨个运行，否则会出现`/home/lmj/anaconda3/lib/python3.7/site-packages/ipykernel_launcher.py:22: UserWarning: Matplotlib is currently using agg, which is a non-GUI backend, so cannot show the figure.`这样的错误。若没有错误将会显示图片

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ0ODk2NDU1_size_16_color_FFFFFF_t_70 7]  
此时，猫和狗的目标检测已经基本结束。时间仓促，文章肯定有不足的地方和错误的地方，希望大家多多指教。如果同学们在练习时有啥问题可以留言评论，大家多多交流。

## 根据上文我在实践操作过程遇到的问题 ##

**一、Object\_detection编译：**  
protoc object\_detection/protos/\*.proto --python\_out=.  
如若出现如下错误：

![在这里插入图片描述][20191221145657690.png]

则在research目录下执行：

# From tensorflow/models/research/
    wget -O protobuf.zip https://github.com/google/protobuf/releases/download/v3.0.0/protoc-3.0.0-linux-x86_64.zip
    unzip protobuf.zip
    
    ./bin/protoc object_detection/protos/*.proto --python_out=.

执行完后不会有任何提示，则算成功。  
**二、出错 tensorflow object-detection ImportError: cannot import name 'string\_int\_label\_map\_pb2’**  
把object\_detection路径加入环境变量即可解决。

export PYTHONPATH=$PYTHONPATH:`pwd`:`pwd`/object_detection

**三、错误 OpKernel was found, but attributes didn’t match**  
tensorflow版本不匹配：

pip3 uninstall  tensorflow   #卸载tensorflow

pip3 install  tensorflow-CPU   #安装tensorflow-CPU版本

[https_www.jianshu.com_p_3d9436b4cb66]: https://www.jianshu.com/p/3d9436b4cb66%EF%BC%8C%E6%84%9F%E8%B0%A2%E6%AD%A4%E5%8D%9A%E5%AE%A2%E4%BD%9C%E8%80%85%E3%80%82
[https_pan.baidu.com_s_1PHsnL9OH8ABgutP8Ze_GaA]: https://pan.baidu.com/s/1PHsnL9OH8ABgutP8Ze_GaA
[labelImg.py]: http://labelImg.py
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ0ODk2NDU1_size_16_color_FFFFFF_t_70]: https://img-blog.csdnimg.cn/20190531170410223.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ0ODk2NDU1,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ0ODk2NDU1_size_16_color_FFFFFF_t_70 1]: /images/20210726/1f1f8a4626bd4f6bae8c575d5862753b.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ0ODk2NDU1_size_16_color_FFFFFF_t_70 2]: /images/20210726/83cafd7a6b864910838d46593c56b767.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ0ODk2NDU1_size_16_color_FFFFFF_t_70 3]: /images/20210726/26a7d9ffbaa4406ea50811ea00f2ca1a.png
[https_pan.baidu.com_s_1mJQmBTd0RsVHiZm4L4lnPQ]: https://pan.baidu.com/s/1mJQmBTd0RsVHiZm4L4lnPQ
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ0ODk2NDU1_size_16_color_FFFFFF_t_70 4]: /images/20210726/ec51e426f06f4e1d8e33fdc48c0e0ca0.png
[https_pan.baidu.com_s_1jtE2fEFu2BVL4oFNuM3Sog]: https://pan.baidu.com/s/1jtE2fEFu2BVL4oFNuM3Sog
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ0ODk2NDU1_size_16_color_FFFFFF_t_70 5]: /images/20210726/608de977e1264067bcab5c90728b9e26.png
[https_pan.baidu.com_s_1wIwipa-HVyf9amQrSFJuzw]: https://pan.baidu.com/s/1wIwipa-HVyf9amQrSFJuzw
[https_pan.baidu.com_s_1Z-Fy5oKQwOfki-n4sbidsA]: https://pan.baidu.com/s/1Z-Fy5oKQwOfki-n4sbidsA
[20190601195312956.png]: /images/20210726/5796452c40a845bb8859cd7c28b25b0b.png
[https_pan.baidu.com_s_1ERp0zJ4cpI5VHHeHcyI_Rg]: https://pan.baidu.com/s/1ERp0zJ4cpI5VHHeHcyI_Rg
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ0ODk2NDU1_size_16_color_FFFFFF_t_70 6]: /images/20210726/851d4703a0134e5b89c8016ca70502ed.png
[20190601194017810.png]: /images/20210726/48ab18ab9fa240fabf4e449eb0ac586a.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ0ODk2NDU1_size_16_color_FFFFFF_t_70 7]: /images/20210726/ecc33e9a00ba4c6a82efe0095149b496.png
[20191221145657690.png]: /images/20210726/118e5979032c488690b720d7a69b3fdd.png