Tensorflow目标检测API配置（含训练和部署例子）.zip

# Tensorflow 目标检测API使用指南 本指南包括： - 环境配置 - 训练数据准备 - 训练模型 - 模型推理 ## 环境配置(Windows) ###### 以下版本经测试可以运行，如果下载了最新版本，会出现兼容问题导致程序无法运行。 - Python 3.6 - Tensorflow 1.14 (GPU版本) `pip install tensorflow-gpu==1.14` - CUDA 10.0 [官网下载](https://developer.nvidia.com/cuda-10.0-download-archive) - cudnn 7.5.0 [官网下载](https://developer.nvidia.com/rdp/form/cudnn-download-survey)(需要注册账号) - Tensorflow models: 1. 下载python依赖：`pip install -r requirements.txt` 2. 将官网[模型](https://github.com/tensorflow/models)文件夹`models`放进该目录下 3. 下载Protobuf: 4.1. 在[下载地址](https://github.com/protocolbuffers/protobuf/releases)下找到最新的`*-win32.zip`版本并下载 4.2. 在`C:\Program Files`创建文件夹`Google Protobuf` 4.3. 将下载的内容解压到该文件夹下 4.4. 将`C:\Program Files\Google Protobuf\bin`加入你的系统变量 4.5. 在终端打开`tf_objects_detection_setup/models/research/`,并运行: `for /f %i in ('dir /b object_detection\protos\*.proto') do protoc object_detection\protos\%i --python_out=.` 4. 系统变量设置： 在`tf_objects_detection_setup/models/research/`目录下运行： ``` python setup.py build python setup.py install ``` 加入系统变量 ``` <PATH_TO_TF>\tf_objects_detection_setup\models\research <PATH_TO_TF>\tf_objects_detection_setup\models\research\slim ``` - 安装`LabelImg` ## 训练数据准备 #### 文件结构 ``` tf_objects_detection_setup │ README.md │ requirements.txt │ └──models │ │ official │ │ research │ │ samples │ │ tutorials │ └───scripts │ │ csv2tfrecord.py │ │ dataset_util.py │ │ label.py │ │ xml2csv.py │ └───workspace │ export_inference_graph.py │ model_main.py └───training_demo └──annotations │ label_map.pbtxt │ *_labels.csv │ *.record └───images │ └───train │ │ *.jpg │ │ *.xml │ │ ... │ └───test │ │ *.jpg │ │ *.xml │ │ ... └──pre_trained_model │ checkpoint │ frozen_inference_graph.pb │ model.ckpt.data-00000-of-00001 │ model.ckpt.index │ model.ckpt.meta └──trained_inference_graphs │ └─── *.pb │ │ └───saved_model │ │ checkpoint │ │ frozen_inference_graph.pb │ │ model.ckpt.data-00000-of-00001 │ │ model.ckpt.index │ │ model.ckpt.meta │ │ pipeline.config └──training │ *.config ``` #### 数据标注 1. 将训练数据和测试数据分别放在`tf_objects_detection_setup\workspace\training_demo\images\train`和`tf_objects_detection_setup\workspace\training_demo\images\test`下 2. 使用LabelImg打开相应的文件夹进行数据标注，label命名使用英文拼写 3. 将生成的`*.xml`文件分别放入对应的文件夹下 #### 创建Label Map文件 在`tf_objects_detection_setup\workspace\training_demo\annotations`目录下，创建一个`label_map.pbtxt`文件，如 ``` # id从1开始 item { id: 1 name: 'experience' } item { id: 2 name: 'money' } item { id: 3 name: 'material' } ``` 当训练类别发生变化时，修改增删对应的名字id即可 #### 创建Tensorflow Records文件 - 把`*.xml`文件转换为`*.csv`文件： 终端进入`tf_objects_detection_setup\scripts`目录，运行 ``` python xml2csv.py -i ..\workspace\training_demo\images\train -o ..\workspace\training_demo\annotations\train_labels.csv python xml2csv.py -i ..\workspace\training_demo\images\test -o ..\workspace\training_demo\annotations\test_labels.csv ``` - 把`*.csv`文件转换为`*.record`文件: 进入`annotations\`目录，修改`label.py`文件匹配label名称和id ``` # 从0开始 LABELS = { 'experience': 0, 'money': 1, 'material': 2 } ``` 进入`tf_objects_detection_setup\scripts`目录，运行 ``` python csv2tfrecord.py --csv_input=..\workspace\training_demo\annotations\train_labels.csv --output_path=..\workspace\training_demo\annotations\train.record --img_path=..\workspace\training_demo\images\train python csv2tfrecord.py --csv_input=..\workspace\training_demo\annotations\test_labels.csv --output_path=..\workspace\training_demo\annotations\test.record --img_path=..\workspace\training_demo\images\test ``` ## 训练模型 #### 配置训练Pipeline文件（*.config) 1. 从[模型库](https://github.com/tensorflow/models/blob/master/research/object_detection/g3doc/detection_model_zoo.md#coco-trained-models-coco-models)中下载对应的预训练模型(eg. ssdlite_mobilenet_v2_coco), 解压后放入`training_demo\pre-trained-model`里面 2. 从`tf_objects_detection_setup\models\research\object_detection\samples\configs`里选择对应的`*.config`文件，并复制到`training_demo\training`下 3. 修改相应的`*.config`文件，具体可查看文件夹下的例子 #### 运行训练脚本 进入`tf_objects_detection_setup\workspace\training_demo`,运行 `python model_main.py --logtostderr --train_dir=training/ --pipeline_config_path=training/*.config` #### 查看训练效果 进入`tf_objects_detection_setup\workspace\training_demo`,运行 `tensorboard --logdir=training\` ## 模型推理 #### 导出训练好的推理图 1. 进入`training_demo\training`目录，按时间排序记录最新的`model.ckpt-*`文件 2. 在`training_demo\`目录下，运行 `python export_inference_graph.py --input_type image_tensor --pipeline_config_path training/*.config --trained_checkpoint_prefix training/model.ckpt-* --output_directory trained-inference-graphs/output_inference_graph` #### 运行推理脚本 进入`training_demo\`，运行`python inference.py`,可观看摄像头实时推理效果 ## Reference [Tensorflow Object Detection API tutprial](https://tensorflow-object-detection-api-tutorial.readthedocs.io/en/latest/training.html#preparing-workspace)