How to train your Object Detection classifier

1.安装Anaconda
安装步骤参考文章https://blog.csdn.net/weixin_43715458/article/details/100096496
注意：有关anaconda的环境变量都要设置好
2.从Github上下载TensorFlow Object Detection API ，我使用的是tensorflow1.13版本的
https://github.com/tensorflow/models/tree/r1.13.0
最新版本https://github.com/tensorflow/models
在C盘中创建一个文件夹命名为tensorflow1,将models下载好放进文件夹，重新命名为models

3.下载Object Detection API指导文件
指导文件
下载好后将所有文件复制，粘贴至C:tensorflow1modelsresearchobject_detection
可以覆盖readme.md文件
如果要训练自己的分类器，就将下述文件里的内容删去
All files in object_detectionimagestrain and object_detectionimagestest
The “test_labels.csv” and “train_labels.csv” files in object_detectionimages
All files in object_detectiontraining
All files in object_detectioninference_graph

4.创建 anaconda虚拟环境
打开Anaconda Prompt，以管理员身份运行

C:> conda create -n tensorflow1 pip python=3.5

4.1激活环境，更新安装包

C:> activate tensorflow1
(tensorflow1) C:>python -m pip install --upgrade pip

安装tensorflow==1.13.1版本(CPU版本，训练会比较慢)

(tensorflow1) C:> pip install tensorflow==1.13.1

4.2安装相应的依赖包

(tensorflow1) C:> conda install -c anaconda protobuf
(tensorflow1) C:> pip install pillow
(tensorflow1) C:> pip install lxml
(tensorflow1) C:> pip install Cython
(tensorflow1) C:> pip install contextlib2
(tensorflow1) C:> pip install jupyter
(tensorflow1) C:> pip install matplotlib
(tensorflow1) C:> pip install pandas
(tensorflow1) C:> pip install opencv-python

4.3配置相应的环境变量

(tensorflow1) C:>set PYTHONPATH=C:tensorflow1models 
(tensorflow1) C:>set PYTHONPATH=C:tensorflow1modelsresearch
(tensorflow1) C:>set PYTHONPATH=C:tensorflow1modelsresearchslim

该方法每次重新打开Anaconda Prompt都要重新设置变量，因此可以直接在电脑设置中添加环境变量

4.4编译protobuf和运行设置文件
4.4.1首先进入对应文件夹内

(tensorflow1) C:> cd C:tensorflow1modelsresearch

4.4.2输入以下命令

protoc --python_out=. .object_detectionprotosanchor_generator.proto .object_detectionprotosargmax_matcher.proto .object_detectionprotosbipartite_matcher.proto .object_detectionprotosbox_coder.proto .object_detectionprotosbox_predictor.proto .object_detectionprotoseval.proto .object_detectionprotosfaster_rcnn.proto .object_detectionprotosfaster_rcnn_box_coder.proto .object_detectionprotosgrid_anchor_generator.proto .object_detectionprotoshyperparams.proto .object_detectionprotosimage_resizer.proto .object_detectionprotosinput_reader.proto .object_detectionprotoslosses.proto .object_detectionprotosmatcher.proto .object_detectionprotosmean_stddev_box_coder.proto .object_detectionprotosmodel.proto .object_detectionprotosoptimizer.proto .object_detectionprotospipeline.proto .object_detectionprotospost_processing.proto .object_detectionprotospreprocessor.proto .object_detectionprotosregion_similarity_calculator.proto .object_detectionprotossquare_box_coder.proto .object_detectionprotosssd.proto .object_detectionprotosssd_anchor_generator.proto .object_detectionprotosstring_int_label_map.proto .object_detectionprotostrain.proto .object_detectionprotoskeypoint_box_coder.proto .object_detectionprotosmultiscale_anchor_generator.proto .object_detectionprotosgraph_rewriter.proto

打开C:tensorflow1modelsresearchobject_detectionprotos，检查是否每个proto文件都有对应_pb2文件生成，如果没有，
则输入protoc --python_out=. .object_detectionprotos***.proto
生成相应文件，这在之后的版本可能会有新的proto文件生成。

4.4.3运行设置文件

(tensorflow1) C:tensorflow1modelsresearch> python setup.py build
(tensorflow1) C:tensorflow1modelsresearch> python setup.py install

检查是否安装成功

(tensorflow1) C:tensorflow1modelsresearchobject_detectionbuilders>python model_builder_test.py

如果报以下错误

则可能是protobuf版本与tensorflow不匹配的原因，我的做法是卸载protobuf，安装protobuf==3.7.1

出现如图所示则为安装成功。

到目前为止训练环境配置完成。

5.收集数据和制作标签
下载labelimg，制作训练集，具体步骤这里不展开介绍，经过该步可以获得.xml文件，将其以2：8的比例分成验证集和测试集，分别放入
C:tensorflow1modelsresearchobject_detectionimagestest和C:tensorflow1modelsresearchobject_detectionimagestrain

6.产生训练集数据

6.1将训练集数据转化为csv格式

(tensorflow1) C:tensorflow1modelsresearchobject_detection> python xml_to_csv.py

在C:tensorflow1modelsresearchobject_detectionimages文件中就得到了train_labels.csv 和 test_labels.csv 文件

6.2生成用于训练的tfrecord数据
用text编辑器打开object_detection文件中的generate_tfrecord.py
将里面的分类标签更改为你要的分类

def class_text_to_int(row_label):
    if row_label == 'nine':
        return 1
    elif row_label == 'ten':
        return 2
    elif row_label == 'jack':
        return 3
    elif row_label == 'queen':
        return 4
    elif row_label == 'king':
        return 5
    elif row_label == 'ace':
        return 6
    else:
        None

比如替代为这3类

def class_text_to_int(row_label):
    if row_label == 'basketball':
        return 1
    elif row_label == 'shirt':
        return 2
    elif row_label == 'shoe':
        return 3
    else:
        None

然后输入以下命令生成tfrecord文件

python generate_tfrecord.py --csv_input=imagestrain_labels.csv --image_dir=imagestrain --output_path=train.record
python generate_tfrecord.py --csv_input=imagestest_labels.csv --image_dir=imagestest --output_path=test.record

7.制作labelmap和配置训练文件
7.1制作labelmap
打开C:tensorflow1modelsresearchobject_detectiontraining ，新建一个文本，并保存为labelmap.pbtxt，确保该文件类型为.pbtxt

内容与刚刚修改的generate_tfrecord.py要对应

item {
  id: 1
  name: 'basketball'
}

item {
  id: 2
  name: 'shirt'
}

item {
  id: 3
  name: 'shoe'
}

7.2配置训练文件
打开C:tensorflow1modelsresearchobject_detectionsamplesconfigs
里面有各种预训练模型的配置文件
预训练模型可在此下载model zoo
将下载好的tar.gz后缀的解压后的文件复制粘贴至object_detection文件夹中

配置文件与预训练模型要对应，我采用的为ssd_mobilenet_v2_quantized_300x300_coco模型，那么我就将对应的配置文件复制，粘贴至C:tensorflow1modelsresearchobject_detectiontraining

然后打开配置文件开始修改内容（注意符号为双引号，正斜杠/,以及不要有空格，否则训练时可能会报错）
修改内容如下：
第九行：num_classes改为你需要的分类，比如3
第106行：fine_tune_checkpoint : “C:/tensorflow1/models/research/object_detection/ssd_mobilenet_v2_quantized_300x300_coco_2019_01_03/model.ckpt”
第123和125行train_input_reader部分
input_path : “C:/tensorflow1/models/research/object_detection/train.record”
label_map_path: “C:/tensorflow1/models/research/object_detection/training/labelmap.pbtxt”
第130行eval_config部分数量改为test文件夹中图片的数量
第135和137行eval_input_reader部分
input_path : “C:/tensorflow1/models/research/object_detection/test.record”
label_map_path: “C:/tensorflow1/models/research/object_detection/training/labelmap.pbtxt”
配置完成

8开始训练
进入 object_detection文件夹，输入以下命令

python train.py --logtostderr --train_dir=training/ --pipeline_config_path=training/ssd_mobilenet_v2_quantized_300x300_coco.config

如果没有train文件，就去legacy中找

查看训练效果

(tensorflow1) C:tensorflow1modelsresearchobject_detection>tensorboard --logdir=training

9.导出推理图

python export_inference_graph.py --input_type image_tensor --pipeline_config_path training/ssd_mobilenet_v2_quantized_300x300_coco.config --trained_checkpoint_prefix training/model.ckpt-XXXX --output_directory inference_graph

在training文件中找到model.ckpt-XXXX，将XXX替换为最大的数字，然后就能在object_detectioninference_graph获得这些文件

10.为之后转为tflite文件导出冻结图
在 object_detection内创建新文件夹TFLite_model

mkdir TFLite_model

设置一些环境变量方便于转化文件

set CONFIG_FILE=C:\tensorflow1modelsresearchobject_detectiontrainingssd_mobilenet_v2_quantized_300x300_coco.config
set CHECKPOINT_PATH=C:\tensorflow1modelsresearchobject_detectiontrainingmodel.ckpt-XXXX
set OUTPUT_DIR=C:\tensorflow1modelsresearchobject_detectionTFLite_model

XXXX还是training中model.ckpt-XXXX文件中最大的数字

输入以下命令导出冻结图

python export_tflite_ssd_graph.py --pipeline_config_path=%CONFIG_FILE% --trained_checkpoint_prefix=%CHECKPOINT_PATH% --output_directory=%OUTPUT_DIR% --add_postprocessing_op=true

在object_detectionTFLite_model 可获得tflite_graph.pb 和 tflite_graph.pbtxt两个文件

如果出现
ModuleNotFoundError: No module named ‘deployment’ or No module named ‘nets’
那么每次打开Anaconda Prompt训练前还是要执行4.3、4.4.1、4.4.3步骤
参考内容

最后

以上就是迷人枕头为你收集整理的How to train your Object Detection classifier的全部内容，希望文章能够帮你解决How to train your Object Detection classifier所遇到的程序开发问题。

如果觉得靠谱客网站的内容还不错，欢迎将靠谱客网站推荐给程序员好友。