tensorflow-object-detection

川长思鸟来 2022-11-06 01:59 133阅读 0赞

https://pan.baidu.com/s/1gu4-kfZHD4libN2PJ9\_nTg  
1234

https://tensorflow-object-detection-api-tutorial.readthedocs.io/en/latest/

集成了市面上比较流行的目标侦测框架  
使用：

在c盘新建tensorflow文件夹，解压到该目录下，解压出来3个文件  
models 是tensorflow提供的里面有社区的模型，打开readme看  
scripts ： 是老师提供的用来生成训练数据的脚本  
workspace：主要在training——demo中做代码的编写

看版本：  
conda activate tfenv  
python -V  
3.7.9

import tensorflow as tf  
tf.\_\_version\_\_  
tensorflow 版本 2.3.1

1.第一步编译谷歌给的模型  
cd models  
cd research  
protoc object\_detection\\protos\\\*.proto --python\_out=.  
pip install cython   \#c语言解析器，把Python翻译成C语言高效的去执行

\#第3方的打标签的工具集cocoapi， 安装时间在1小时左右 github换成gitee 速度就很快  
https://tensorflow-object-detection-api-tutorial.readthedocs.io/en/latest/install.html\#coco-api-installation

windows:  
    pip install git+https://github.com/philferriere/cocoapi.git\#subdirectory=PythonAPI  
linux:  
    git clone https://github.com/cocodataset/cocoapi.git  
    cd cocoapi/PythonAPI  
    make  
    cp -r pycocotools <PATH\_TO\_TF>/TensorFlow/models/research/  
windows下 安装 cocoapi 必须安装visual studio 在环境变量里  
https://go.microsoft.com/fwlink/?Linkld=691126 下载微软vcode编译器 visual studio

拷贝一个编译的脚本过来  
在当前目录中 research  
copy object\_detection/packages/tf2/setup.py .      \#windows下的命令 或手动复制  
cp object\_detection/packages/tf2/setup.py .  
python -m pip install .  
验证有没有安装完成  
python object\_detection/builders/model\_builder\_tf2\_test.py

开始使用框架  
1.  
把图片数据放入：tensorflow/workspace/training\_demo/images下  
2.开始标注操作  
 进tensorflow/workspace/training\_demo/annotations 中有label\_map.pbtxt文件，指定分类的内容用的

3.去git下载 labelimg 图像分类器  
https://github.com/tzutalin/labelImg.git

Windows + Anaconda 安装  
解压labelImg放进tensorflow与其他三个放一起  
进入labelImg-master目录  
切换conda环境  
conda activate tfenv  
conda install pyqt=5  
conda install -c anaconda lxml  
pyrcc5 -o libs/resources.py resources.qrc  
python labelImg.py   \#打开标注软件  
python labelImg.py \[IMAGE\_PATH\] \[PRE-DEFINED CLASS FILE\] \#这句不需要执行  
 1.open Dir 选择tensorflow/workspace/training\_demo/images下的需要训练的图片  
   1.1 选择create rectbox 框出图片中的数据 ，在弹出款中填写框中的物体名字，不支持中文  
       1.1.2把以前的数据名字清空比如dog之类的，labelImg放进tensorflow/data/predefined\_classes.txt中的数据清空      
     
   1.2 ctrl+s保存0.xml  
 2.tensorflow/scripts/preprocessing/generate\_tfrecord.py 数据转换二进制格式 train.record 是一个二进制文件，看不懂的  
  2.1 conda activate tfenv  
  2.2  train  
  python generate\_tfrecord.py -x /home/star/Downloads/1/tensorflow/workspace/training\_demo/images/train -1 /home/star/Downloads/1/tensorflow/workspace/training\_demo/annotations/label\_map.pbtxt -o /home/star/Downloads/1/tensorflow/workspace/training\_demo/annotations/train.record  
  2.3      test  
  python generate\_tfrecord.py -x /home/star/Downloads/1/tensorflow/workspace/training\_demo/images/test -1 /home/star/Downloads/1/tensorflow/workspace/training\_demo/annotations/label\_map.pbtxt -o /home/star/Downloads/1/tensorflow/workspace/training\_demo/annotations/test.record

3.预训练的模型 /home/star/Downloads/1/tensorflow/workspace/training\_demo/pre-trained-models ，空文件夹  
              /home/star/Downloads/1/tensorflow/models/community/readme  
pwd/home/star/Downloads/1/tensorflow/models/research/object\_detection/g3doc 帮助文档  ，tf2\_detection\_zoo.md 目标侦测的动物园  
 \[SSD MobileNet V2 FPNLite 640x640\](http://download.tensorflow.org/models/object\_detection/tf2/20200711/  ssd\_mobilenet\_v2\_fpnlite\_640x640\_coco17\_tpu-8.tar.gz) \#最适合移动端跑的一个目标侦测的一个算法  
把它下载到tensorflow/workspace/training\_demo/pre-trained-models 文件夹中  
4.对预训练的模型的基础上做扩展，进行新一轮的训练  
 把预训练的模型下载到tensorflow/workspace/training\_demo/pre-trained-models 文件夹中    ，解压出3个文件                                                 
 4.1把解压出来的训练的管道文件pipeline.config拷贝到我们要训练的文件夹中: /home/star/Downloads/1/tensorflow/workspace/training\_demo/models 中新建一个文件夹 my\_ssd\_mobilenet\_v2\_fpnlite,放在此文件夹下

4.2 pipeline.config改第3行 num\_classes：90 训练的模型总共有多少个种类？比如识别斑马线 停车 和直行 共3个种类，这里改成3，num\_classes：3

4.3 pipeline.config改第165行  fine\_tune\_checkpoint: "PATH\_TO\_BE\_CONFIGURED" 加载模型微调的文件，刚刚下载的目录中 fine\_tune\_checkpoint: "pre-trained-models/ssd\_mobilenet\_v2\_fpnlite\_640x640\_coco17\_tpu-8/checkpoint/ckpt-0"

4.4 pipeline.config改第171行 默认fine\_tune\_checkpoint\_type: "classification"分类任务，改成fine\_tune\_checkpoint\_type: "detection" 识别的任务不止要知道它的类别，还要知道物体的位置

4.5 pipeline.config改第175行   label\_map\_path: "PATH\_TO\_BE\_CONFIGURED" 改成  label\_map\_path: "annotations/label\_map.pbtxt"

4.6 pipeline.config改第177行 input\_path: "PATH\_TO\_BE\_CONFIGURED" 训练集的数据路径 input\_path: "annotations/train.record"

4.7 pipeline.config改第185行   label\_map\_path: "PATH\_TO\_BE\_CONFIGURED" 改成  label\_map\_path: "annotations/label\_map.pbtxt"

4.8 pipeline.config改第189行 input\_path: "PATH\_TO\_BE\_CONFIGURED" 测试集的数据路径 input\_path: "annotations/test.record"

5.就可以开始训练了  
cd tensorflow/workspace/training\_demo下  
conda activate tfenv  
python model\_main\_tf2.py --model\_dir=models\\my\_ssd\_mobilenet\_v2\_fpnlite --pipeline\_config\_path=models\\my\_ssd\_mobilenet\_v2\_fpnlite\\pipeline.config  
训练时间大概 5到13个小时，训练结果在models\\my\_ssd\_mobilenet\_v2\_fpnlite\\目录下；

6.把文件导出来，转成我们可以理解和操作的模型  
cd tensorflow/workspace/training\_demo下  
.\\exporter\_main\_v2.py --input\_type image\_tensor --pipeline\_config\_path .\\models\\my\_ssd\_mobilenet\_v2\_fpnlite\\pipeline.config --trained\_checkpoint\_dir .\\models\\my\_ssd\_mobilenet\_v2\_fpnlite\\ --output\_directory .\\exported-models\\my\_mobilenet\_model  
6.1 在/tensorflow/workspace/training\_demo/exported-models下会多出来一个文件夹my\_mobilenet\_model,中有3个文件 两文件夹checkpoint ，saved\_model,pipeline.config,其中saved\_model就是训练导出来的模型文件，导出模型的时间大概几分钟

7.数据预测：  
TF-image-od.py 预测图片  \#23行指定预测的图片 default='images/test/i-1e092ec6eabf47f9b85795a9e069181b.jpg')  \#default='images/test/7.jpg'  
python TF-image-od.py  
TF-video-od.py 预测视频流  \#46行 PATH\_TO\_SAVED\_MODEL = PATH\_TO\_MODEL\_DIR + "/saved\_model" 加载目录模型，\#89行利用opencv打开摄像头 video = cv2.VideoCapture(VIDEO\_PATHS) ， video = cv2.VideoCapture(1)

出现 error：（-215：Assertion failed）需要重新插拔摄像头，奥比中光的摄头在windows下不稳定  
1秒7到8帧

8.部署树莓派  
1.环境安装 需要交叉编译的文件，注意arm平台  
2.拷贝exported-models文件夹，及TF-image-od.py ，TF-video-od.py这两个文件就可以使用了，其余都是训练时使用的文件不需要考被到树莓派上