|
一、安装 Tensorflow 及 Object Detection API [color=rgba(0, 0, 0, 0.75)]
1.安装Tensorflow[color=rgba(0, 0, 0, 0.75)]
TensorFlow中文社区文档：Tensorflow安装。 [color=rgba(0, 0, 0, 0.75)]
2.安装Object Detection API[color=rgba(0, 0, 0, 0.75)]
参考Github上，TensorFlow models/research/object_detection里的安装教程。 [color=rgba(0, 0, 0, 0.75)]
添加库的路径到PYTHONPATH，使用编辑器如gedit打开~/.bashrc 文件，将以下命令添加到一个新行。其中pwd 代表models/research 的路径，可去掉`符号，然后在终端bash一下。
[color=rgba(0, 0, 0, 0.75)]
# From tensorflow/models/research/export PYTHONPATH=$PYTHONPATH:`pwd`:`pwd`/slim[color=rgba(0, 0, 0, 0.75)]
注：pip install 如果是用sudo，则安装系统默认python下的包，如果TensorFlow是安装在其他python下（如miniconda），则不加sudo。
二、使用 Oxford-IIIT Pet 数据集进行测试[color=rgba(0, 0, 0, 0.75)]
1.下载解压数据集，并将其转换为TFRecords[color=rgba(0, 0, 0, 0.75)]
参考Github上，TensorFlow models/research/object_detection里的说明文档。 [color=rgba(0, 0, 0, 0.75)]
Pet数据集里有部分图片损毁，应该删除掉，否则会在运行eval.py时报以下错误：Corrupt JPEG data: 240 extraneous bytes before marker 0xd9 。参考文档可知，egyptian_mau_14, 139, 145, 156, 167, 177, 186, 191; abyssinian_5, 34; chihuahua_121; beagle_116 为损坏的文件，应删去对应的.jpg; .xmls; 以及list.txt、test.txt、trainval.txt 里对应的行。 [color=rgba(0, 0, 0, 0.75)]
2.下载用于迁移学习的预训练模型[color=rgba(0, 0, 0, 0.75)]
在Tensorflow Detection Model Zoo里下载COCO-pretrained SSD with MobileNet model,存放在models/research文件夹中，并解压。 [color=rgba(0, 0, 0, 0.75)]
tar -xvf ssd_mobilenet_v1_coco_2017_11_17.tar.gz
3.配置对象检测管道[color=rgba(0, 0, 0, 0.75)]
参考文档 [color=rgba(0, 0, 0, 0.75)]
在 Tensorflow object detection API 里，配置文件定义了模型参数、训练参数等参数，文件为 object_detection/protos/pipeline.proto 。在此实验中，采用一些预定义模板，选择在 object_detection/samples/configs 文件夹中的模板，此处采用 ssd_mobilenet_v1_pets.config作为而配置管道的起点。如果不采用预定义模板配置管道，参考Configuring the Object Detection Training Pipeline。 [color=rgba(0, 0, 0, 0.75)]
在ssd_mobilenet_v1_pets.config 文件中，修改 fine_tune_checkpoint、 input_path 和 label_map_path 路径。fine_tune_checkpoint 应该提供一个已存在的checkpoint路 ，在下载的预训练模型的文件中包含有 model.ckpt.data-00000-of-00001, model.ckpt.index, model.ckpt.meta ，比如fine_tune_checkpoint 的路径可设置为/home/cyj/Project/models/research/ssd_mobilenet_v1_coco_2017_11_17/model.ckpt 。
4.运行[color=rgba(0, 0, 0, 0.75)]
运行训练程序 [color=rgba(0, 0, 0, 0.75)]
# From the tensorflow/models/research/ directorypython object_detection/train.py \ --logtostderr \ --pipeline_config_path=${PATH_TO_YOUR_PIPELINE_CONFIG} \ --train_dir=${PATH_TO_TRAIN_DIR} \[color=rgba(0, 0, 0, 0.75)]
${PATH_TO_YOUR_PIPELINE_CONFIG}指向管道训练文件，如/home/cyj/Project/models/research/object_detection/samples/configs/ssd_mobilenet_v1_pets.config， ${PATH_TO_TRAIN_DIR} 定义训练事件写入路径，先新建相关train 文件夹，如/home/cyj/Project/models/research/train，output_inference_graph.pb 为导出的训练的模型。 TensorFlow 模型保存参考文档。 [color=rgba(0, 0, 0, 0.75)]
运行测试程序 [color=rgba(0, 0, 0, 0.75)]
# From the tensorflow/models/research/ directorypython object_detection/eval.py \ --logtostderr \ --pipeline_config_path=${PATH_TO_YOUR_PIPELINE_CONFIG} \ --checkpoint_dir=${PATH_TO_TRAIN_DIR} \ --eval_dir=${PATH_TO_EVAL_DIR}[color=rgba(0, 0, 0, 0.75)]
${PATH_TO_EVAL_DIR} 定义测试事件写入路径，先新建相关 eval 文件夹，如 /home/cyj/Project/models/research/eval。 [color=rgba(0, 0, 0, 0.75)]
运行Tensorboard
模型训练和测试的过程可通过Tensorboard进行查看，使用以下命令运行Tensorboard： [color=rgba(0, 0, 0, 0.75)]
tensorboard --logdir=${PATH_TO_MODEL_DIRECTORY}[color=rgba(0, 0, 0, 0.75)]
其中${PATH_TO_MODEL_DIRECTORY} 指向包含train 和 eval 的目录。例如 ~$ tensorboard -- logdir=/home/cyj/Project/models/research 。
未完， 待续。
| 
发表于 2018-12-25 22:25:01
