测试tensorflow是否成功 tensorflow对象检测_测试tensorflow是否成功


在此文章中，我们将使用Tensorflow对象检测API构建自定义对象检测器。我将选择检测苹果果实。但是您可以选择要检测自己的自定义对象的任何图像。

步骤：

  1. Installation
  2. Gathering data
  3. Labeling data
  4. Generating TFRecords for training
  5. Configuring training
  6. Training model
  7. Exporting inference graph
  8. Testing object detector

一、Installation

  1. Python 3.6或更高版本。
  2. Ubuntu 18.04/google colab
  3. Tensorflow/Tensorflow-gpu
  4. 克隆Tensorflow模型存储库:
git clone https://github.com/tensorflow/models.git
#从这一点开始，此目录将被称为 TFmodels 目录。


  1. 搭建环境
  • Protobuf编译:Tensorflow对象检测API使用Protobufs配置模型和训练参数。在使用该框架之前，必须先编译Protobuf库。这应该通过从tensorflow / models / research /目录运行以下命令来完成：
#From TFmodels/research/


  • 将库添加到PYTHONPATH

在google colab运行时，应将TFmodels / research /和slim目录附加到PYTHONPATH。

  • Object Detection Installation
  • Testing the Installation

使用google colab的配置阅读下方即可：


好好先生：使用Google Colab配置Tensorflow对象检测APIzhuanlan.zhihu.com

测试tensorflow是否成功 tensorflow对象检测_测试tensorflow是否成功_02


二、Gathering data

2.1打开您的google chrome浏览器并安装一个名为Download All Images的扩展程序。


测试tensorflow是否成功 tensorflow对象检测_Tensorflow_03


2.2。现在在Google图片中搜索所需的图片选择，在我的例子中是“ Apple”。现在，单击“下载所有图像”扩展按钮，该按钮将位于浏览器的右上角。您将获得一个包含图像的zip文件。然后将其提取。


测试tensorflow是否成功 tensorflow对象检测_Tensorflow_04


三、 Labeling data

打开您的终端并通过以下方式安装LabelImg

LabelImg是图形图像注释工具。

安装labelImg后，通过键入将其打开


pip3 install labelImg


在不同的环境中安装labelImag方法不同，可以参照如下：

zjgulai/labelImggithub.com

测试tensorflow是否成功 tensorflow对象检测_测试tensorflow是否成功_05


测试tensorflow是否成功 tensorflow对象检测_Tensorflow_06


上面的内容。并对所有图片执行此操作。它正在做的是，它正在生成一个XML文件，其中包含带有其标签的对象坐标。

我标记了约100张图片。

现在克隆我的存储库

zjgulai/Tensorflow-Object-Detection-API-With-Custom-Datasetgithub.com

测试tensorflow是否成功 tensorflow对象检测_测试tensorflow是否成功_05


!git clone https://github.com/zjgulai/Tensorflow-Object-Detection-API-With-Custom-Dataset.git


克隆之后进入目录：


测试tensorflow是否成功 tensorflow对象检测_测试tensorflow是否成功_08


├── ...
    ├── data                 
    ├── images
    │   ├── train
    │   ├── test
    ├── utils
    │	├── label_map_util.py
    │	├── visualization_utils.py
    ├── generate_tfrecord.py
    └── object-detection.pbtxt
    └── transform_image_resolution.py
    └── xml_csv.py
    └── webcam_inference.py


四、Generating TFRecords for training

现在，将图像文件的70％复制到训练文件夹图像/训练中，其余30％复制到测试文件夹中。

在标记了图像的情况下，我们需要创建TFRecords用作输入数据以训练对象检测器。为了创建TFRecords，我们将使用

datitran/raccoon_datasetgithub.com

测试tensorflow是否成功 tensorflow对象检测_Tensorflow_09


xml_to_csv.py和generate_tfrecord.py文件。


！git clone https://github.com/zjgulai/Tensorflow-Object-Detection-API-With-Custom-Dataset.git


目录：


测试tensorflow是否成功 tensorflow对象检测_测试tensorflow是否成功_10


├── ...
├── data                 
├── images
│   ├── train
│		├── image1.jpg
│		├── image1.xml ..
│   ├── test
│		├── image5.jpg
│		├── image5.xml ..
├── generate_tfrecord.py
└── object-detection.pbtxt
└── transform_image_resolution.py
└── xml_csv.py
└── webcam_inference.py


现在在该文件夹中，我们可以通过打开命令行并键入以下内容，将XML文件转换为train_label.csv和test_label.csv：


!python xml_to_csv.py


它们在数据目录中创建两个文件。一个叫做test_labels.csv，另一个叫做train_labels.csv。

在将新创建的文件转换为TFRecords之前，我们需要更改generate_tfrecords.py文件中的几行。


# TO-DO replace this with label map , replace with your own classes
def class_text_to_int(row_label):
    if row_label == 'apple':
        return 1
    else:
        return 0


如果你有多类标记：


# TO-DO replace this with label map
def class_text_to_int(row_label):
    if row_label == 'apple':
        return 1
    elif row_label == 'banana':
        return 2
    elif row_label == 'orange':
        return 3
    else:
        return None


现在，您可以通过键入以下内容来生成TFRecords：


python3 generate_tfrecord.py --csv_input=data/train_labels.csv  --output_path=train.record --image_dir=images/train
python3 generate_tfrecord.py --csv_input=data/test_labels.csv  --output_path=test.record --image_dir=images/test


这两个命令生成一个train.record和一个test.record文件，可用于训练我们的对象检测器。

五、Configuring training

训练之前，我们要做的最后一件事是create a label mapand a training configuration file.

六、Creating a label map

The label map maps： an id to a name.

I have already created a label map file for my training. It looks like this:

编辑：object-detection.pbtxt


item{
  id:1
  name:"apple"
}


如果您使用多个类，请遵循此模式。


item {
    id: 1
    name: 'apple'
}
item {
    id: 2
    name: 'banana'
}
item {
    id: 3
    name: 'orange'
}
item {
    id: 4
    name: 'etc'
}


每个类别的ID号应与generate_tfrecord.py文件中指定的ID相匹配。

七、Creating a training configuration

我们将在Google Colab中训练我们的模型。

I am using “SSD_MOBILENET_V2” for training and with the batch size of 4.

You can change the number of steps, which pre-trained model to use & the batch and size.

然后，您需要运行以下单元格。将有一个Upload TF Record提示。

在此之下，您需要上传生成的

  1. train.record
  2. test.record
  3. object-detection.pbtxt

八、Training model

现在，在上传所有这些文件之后，运行下面的所有单元格。它将得到训练。

九、Exporting inference graph

如果已运行所有单元，则最后将下载一个名为Frozen_inference_graph.pb的文件。

十、Testing Object Detector

现在，将Frozen_inference_graph.pb文件复制到我的GitHub克隆文件夹中。然后，您需要在该webcam_inference.py中进行一些编辑，以测试您自己的对象检测器。打开该文件并检查代码。

如果您正确执行了上述所有步骤，则可以通过网络摄像头测试模型。

十一、Conclusion

Tensorflow对象检测API允许您使用转移学习技术创建自己的对象检测器。

代码链接：

https://github.com/zjgulai/Tensorflow-Object-Detection-API-With-Custom-Datasetgithub.com


参考文献和链接：

  1. https://github.com/tensorflow/models/tree/master/research/object_detection
  2. https://medium.com/@WuStangDan/step-by-step-tensorflow-object-detection-api-tutorial-part-1-selecting-a-model-a02b6aabe39e
  3. https://pythonprogramming.net/introduction-use-tensorflow-object-detection-api-tutorial/
  4. https://towardsdatascience.com/creating-your-own-object-detector-ad69dda69c85

https://medium.com/analytics-vidhya/custom-object-detection-with-tensorflow-using-google-colab-7cbc484f83d7

http://weixin.qq.com/r/5TqGnkTEZhkZrQD992-3 (二维码自动识别)