《tensorflow 训练模型之目标检测入门知识与案例解析.doc》由会员分享，可在线阅读，更多相关《tensorflow 训练模型之目标检测入门知识与案例解析.doc（3页珍藏版）》请在三一文库上搜索。
1、tensorflow 训练模型之目标检测入门知识与案例解析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框架写的深度网络结构，大大降低了开发难度，利用现成的网络结构，无论fine-tuning还是重新训练方便了不少。而且TensorFlow内包含了一个强大的物体检测API，我们可以利用这API来训练自己的数据集实现特殊的目标检测。最近笔者终于跑通TensorFlow Object DetecTIon API的ssd_mobilenet_v1模型，这里记录下如何完整跑通数据准备到模型使用的整个过程，相信对大家能有所帮助。Object DetecTIon API提供了
2、5种网络结构的预训练的权重，全部是用数据集进行训练，这五种模型分别是SSD+mobilenet、SSD+incepTIon_v2、R-FCN+resnet101、faster RCNN+resnet101、faster RCNN+incepTIon+resnet101。各个模型的精度和计算所需时间如下。下面及介绍下如何使用Object Detection去训练自己的模型。这里TensorFlow的安装就不再说明了，网上的教程一大把，大家可以找到很详尽的安装TensorFlow的文档。tensorflow 训练模型训练前准备工作使用protobuf来配置模型和训练参数，所以API正常使用必须先编
3、译protobuf库，这里可以下载直接编译好的pb库（ https:/github/google/protobuf/releases ），解压压缩包后，把protoc加入到环境变量中：$ cd tensorflow/models$ protoc object_detection/protos/*.proto -python_out=.（我是把protoc加到环境变量中，遇到找不到*.proto文件的报错，后来把protoc.exe放到models/object_detection目录下，重新执行才可以）然后将models和slim（tf高级框架）加入python环境变量：PYTHONPATH=
4、$PYTHONPATH:/your/path/to/tensorflow/models:/your/path/to/tensorflow/models/slimtensorflow 训练模型数据准备数据集需要转化成PASCAL VOC结构，API提供了create_pascal_tf_record.py，把VOC结构数据集转换成.record格式。不过我们发现更简单的方式，Datitran提供一种更简单生产.record格式的方法。首先需要先要标注图像相应标签，这里可以使用labelImg工具。每标注一张样本，即生成一个xml的标注文件。然后，把这些标注的xml文件，按训练集与验证集分别放置到
5、两个目录下，在Datitran提供了xml_to_csv.py脚本。这里只要指定标注的目录名即可。接下来，然后需要我们把对应的csv格式转换成.record格式。def main():# image_path = os.path.join(os.getcwd(), annotations)image_path = rD:training-setsobject-detectionsunglasseslabeltestxml_df = xml_to_csv(image_path)xml_df.to_csv(sunglasses_test_labels.csv, index=None)print(S
6、uccessfully converted xml to csv.)调用generate_tfrecord.py，注意要指定-csv_input与-output_path这两个参数。执行下面命令：python generate_tfrecord.py -csv_input=sunglasses_test_labels.csv -output_path=sunglass_test.record这样就生成了训练及验证用的train.record与test.record。接下来指定标签名称，仿照models/ object_detection/data/ pet_label_map.pbtxt，重新
7、创建一个文件，指定标签名。item id: 1name: sunglassestensorflow 训练模型训练教程根据自己的需要，选择一款用coco数据集预训练的模型，把前缀model.ckpt放置在待训练的目录，这里meta文件保存了graph和metadata，ckpt保存了网络的weights，这几个文件表示预训练模型的初始状态。打开ssd_mobilenet_v1_pets.config文件，并做如下修改：num_classes:修改为自己的classes num将所有PATH_TO_BE_CONFIGURED的地方修改为自己之前设置的路径（共5处）其他参数均保持默认参数。准备好上述
8、文件后就可以直接调用train文件进行训练。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/trainingTensorBoard监控：通过tensorboard工具，可以监控训练过程，输入西面指令后，在浏览器输入localhost:6006（默认）即可。tensorboard -logdir= D:/training-sets/data-translate/training