【个人笔记】迁移学习：tensorflow利用inception_v3模型和retrain实现图像分类训练

刺骨的言语ヽ痛彻心扉 2022-03-17 07:22 449阅读 0赞

# 【个人笔记】迁移学习：tensorflow利用inception\_v3模型和retrain实现图像分类训练 #

## 数据集 ##

这里以[Visual Geometry Group Home Page][]上的动物分类图片为例。  
在下载的7000张动物图片中手动挑选了五种分类，分别创建了五个文件夹装入，剩下的6000余张照片丢弃。  
![在这里插入图片描述][20190222220445522.PNG]  
注意，文件夹及其内图片的名称全小写，绝对路径名中不能包含中文  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1pleWlSVGFuZ2VudA_size_16_color_FFFFFF_t_70]  
文件夹中只需包含图片文件，损坏的图片文件和mat类型的文件都需要去除，可以手动或者利用程序自动去除

## inception\_v3模型下载 ##

http://download.tensorflow.org/models/image/imagenet/inception-2015-12-05.tgz

无需解压  
![在这里插入图片描述][20190222224056193.png]

## github tensorflow及retrain文件下载 ##

从github上克隆tensorflow的源码和retraining的源码到本地并进行解压缩  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1pleWlSVGFuZ2VudA_size_16_color_FFFFFF_t_70 1]  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1pleWlSVGFuZ2VudA_size_16_color_FFFFFF_t_70 2]  
在`~hub-master\examples\image_retraining`中找到retrain.py文件，待会需要定位文件位置  
![在这里插入图片描述][20190222222104393.png]

## 创建文件夹框架 ##

新建一个文件夹，包含如下几个文件（夹）  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1pleWlSVGFuZ2VudA_size_16_color_FFFFFF_t_70 3]  
bottleneck文件夹为空  
test\_images中为检测模型效果的图片文件（在数据集代表的对象范围内），不能从数据集中抽取，需要从网上下载。  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1pleWlSVGFuZ2VudA_size_16_color_FFFFFF_t_70 4]

data文件夹中包含一个包含images子文件夹的train文件夹，images中放入数据集图片文件夹  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1pleWlSVGFuZ2VudA_size_16_color_FFFFFF_t_70 5]  
下一步，新建retrain.bat批处理文件，内容如下：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1pleWlSVGFuZ2VudA_size_16_color_FFFFFF_t_70 6]  
下图为即将开始训练时后的文件布局  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1pleWlSVGFuZ2VudA_size_16_color_FFFFFF_t_70 7]  
运行retrain.bat开始训练。到这一步为止会出现一些小错误，比如无法使用指定的本地inception\_v3模型，GPU或者tensorflow环境没有配置好等，在百度或者google上全部可以搜索解决

## 训练结果 ##

通过训练后可以看到在文件夹中产生了output\_graph.pb，output\_labels等文件  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1pleWlSVGFuZ2VudA_size_16_color_FFFFFF_t_70 8]

bottleneck文件夹中会产生对应图片分类的文件夹  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1pleWlSVGFuZ2VudA_size_16_color_FFFFFF_t_70 9]  
打开后可以看到每个图片对应一个的txt文件，这是每一张图片在inception\_v3模型中除去softmax层的固化模型中计算得到的特征数据，不用理会  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1pleWlSVGFuZ2VudA_size_16_color_FFFFFF_t_70 10]  
output\_labels中为标签数据，不用理会  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1pleWlSVGFuZ2VudA_size_16_color_FFFFFF_t_70 11]

## 调用模型进行分类检测 ##

调用训练好的.pb文件和output\_labels文件，输入准备好的检测文件的路径，检测成果  
代码源自学习的网络教程

import tensorflow as tf
    import os
    import numpy as np
    from PIL import Image
    import matplotlib.pyplot as plt
    os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'
    
    lines = tf.gfile.GFile(r'E:\Python\Tensorflow\retrain\output_labels.txt').readlines()
    uid_to_human = {}
    for uid, line in enumerate(lines):
        line = line.strip('\n')
        uid_to_human[uid] = line
    
    
    def id_to_string(node_id):
        if node_id not in uid_to_human:
            return ''
        return uid_to_human[node_id]
    
    with tf.gfile.FastGFile(r'E:\Python\Tensorflow\retrain\output_graph.pb', 'rb') as f:
        graph_def = tf.GraphDef()
        graph_def.ParseFromString(f.read())
        tf.import_graph_def(graph_def, name='')
    
    
    with tf.Session() as sess:
        softmax_tensor = sess.graph.get_tensor_by_name('final_result:0')
        for root, dirs, files in os.walk(r'E:\Python\Tensorflow\retrain\test_images'):
            for file in files:
                image_data = tf.gfile.FastGFile(os.path.join(root, file), 'rb').read()
                predictions = sess.run(softmax_tensor, {'DecodeJpeg/contents:0': image_data}) 
                predictions = np.squeeze(predictions)  
    
                image_path = os.path.join(root, file)
                print(image_path)
                img = Image.open(image_path)
                plt.imshow(img)
                plt.axis('off')
                plt.show()
    
                top_k = predictions.argsort()[::-1]
                print(top_k)
                for node_id in top_k:     
                    human_string = id_to_string(node_id)
                    score = predictions[node_id]
                    print('%s (score = %.5f)' % (human_string, score))
                print()

检测效果感人，模型训练成功  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1pleWlSVGFuZ2VudA_size_16_color_FFFFFF_t_70 12]  
*经验+5*

[Visual Geometry Group Home Page]: http://www.robots.ox.ac.uk/~vgg/data/
[20190222220445522.PNG]: /images/20220317/0deb2b3a90a64ad7aa01ca098f84b9b8.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1pleWlSVGFuZ2VudA_size_16_color_FFFFFF_t_70]: /images/20220317/35cf75d1ee0849a2b61e2cdb514f2f3e.png
[20190222224056193.png]: /images/20220317/7c648d79956b480282f94bf29be0de20.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1pleWlSVGFuZ2VudA_size_16_color_FFFFFF_t_70 1]: /images/20220317/ec1b0cd40eef4ba4a47a3a36aaf1bcf8.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1pleWlSVGFuZ2VudA_size_16_color_FFFFFF_t_70 2]: /images/20220317/8b2ea725c1f24caa9536a7aa0b461de1.png
[20190222222104393.png]: /images/20220317/55c990fe53274c35ad16bd902fae069c.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1pleWlSVGFuZ2VudA_size_16_color_FFFFFF_t_70 3]: /images/20220317/d93de86159ba4483affe1e96f2e009f2.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1pleWlSVGFuZ2VudA_size_16_color_FFFFFF_t_70 4]: /images/20220317/916b600ad8d244c980dca6305491fc42.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1pleWlSVGFuZ2VudA_size_16_color_FFFFFF_t_70 5]: /images/20220317/1cb2897ae87e42b482a8a4ea0717c251.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1pleWlSVGFuZ2VudA_size_16_color_FFFFFF_t_70 6]: /images/20220317/51172f07644c4a35bbc58b1d2dc1ed47.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1pleWlSVGFuZ2VudA_size_16_color_FFFFFF_t_70 7]: /images/20220317/55618795f9e34b6dbb23928774ddd632.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1pleWlSVGFuZ2VudA_size_16_color_FFFFFF_t_70 8]: /images/20220317/6f7ea4b3eb1d470aa326cf481a34f4b2.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1pleWlSVGFuZ2VudA_size_16_color_FFFFFF_t_70 9]: /images/20220317/f2d0d2be5d434b679a0e4e789c501602.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1pleWlSVGFuZ2VudA_size_16_color_FFFFFF_t_70 10]: /images/20220317/5162c13b0a884e53b057645326e47fc0.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1pleWlSVGFuZ2VudA_size_16_color_FFFFFF_t_70 11]: /images/20220317/7ad668edda7146bc804421050d4c76bc.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1pleWlSVGFuZ2VudA_size_16_color_FFFFFF_t_70 12]: /images/20220317/25e8a112bc404cbdbfc1c9ccbfd05676.png