基于SSD模型的TensorFlow Object Detection API 进行实时目标检测系统.zip

# 使用 TensorFlow Object Detection API 进行实时目标检测（基于 SSD 模型） ## 实验目的 使用 TensorFlow Object Detection API 进行实时目标检测（基于 SSD 模型） 任务列表： - 行人识别 - 人脸识别 - 交通灯识别 - 实时检测（平均 FPS>15） - 使用 tflite 将模型移植到嵌入式设备 ## 目录结构 为了先对工程有个整体性的了解，故将此项目的目录结构列出如下： ```bash Object-Detection-USTC ├── object_detection │ ├── data # 存放数据 │ │ ├── mscoco_label_map.pbtxt # 预训练模型（coco数据集）的Label Maps │ │ ├── pascal_label_map.pbtxt # 数据集2的Label Maps │ │ ├── pascal_train.record # 数据集2生成的tfrecord格式的训练集 │ │ ├── pascal_val.record # 数据集2生成的tfrecord格式的验证集 │ │ ├── PennFudanPed # 数据集1（Penn-Fudan Database） │ │ ├── PennFudanPed_label_map.pbtxt # 数据集1的Label Maps │ │ ├── PennFudanPed_train.record # 数据集1生成的tfrecord格式的训练集 │ │ ├── PennFudanPed_val.record # 数据集1生成的tfrecord格式的验证集 │ │ └── VOC2007 # 数据集2 │ ├── dataset_tools # 数据集格式转换工具 │ │ ├── create_pascal_tf_record.py # 用于将本实验中的数据集2转换成tfrecord格式的脚本 │ │ └── ...# 用于将其他数据集转换成tfrecord格式的脚本文件 │ ├── legacy │ │ ├── train.py # 用于训练我们自己的模型 │ │ └── ... │ ├── ssd_mobilenet # 模型相关 │ │ ├── faster_rcnn_inception_v2_coco_2018_01_28 # 预训练模型１ │ │ ├── ssd_mobilenet_v1_coco_11_06_2017 # 预训练模型2 │ │ ├── ssd_mobilenet_v1_coco_2018_01_28 # 预训练模型3 │ │ ├── ssd_mobilenet_v2_coco_2018_03_29 # 预训练模型4（最终选用） │ │ ├── output_inference_graph　# 导出的我们自己训练的模型 │ │ ├── pipeline_ssd_mobilenet_v2_coco_2018_03_29.config　# 管道配置文件 │ │ └── train_logs # 训练过程中产生的记录 │ │ ├── graph.pbtxt │ │ ├── model.ckpt-1000.data-00000-of-00001 │ │ ├── model.ckpt-1000.index │ │ ├── model.ckpt-1000.meta │ │ └── ... │ ├── export_inference_graph.py # 用于导出我们自己训练的模型的py脚本 │ ├── export_tflite_ssd_graph.py # 用于导出tflite压缩图的py脚本 │ └── ... # 其他文件略去 ├── object_detection_video.py # 用于实时视频检测 ├── utils # 实时视频检测时用到的两个库文件 │ ├── app_utils.py │ └── test_app_utils.py ├── slim # 环境依赖 ├── tflite # tflite产生的文件 │ ├── tflite_graph.pb │ └── tflite_graph.pbtxt ├── create_pascal_tfrecord.sh # 用于将数据集2转换成tfrecord格式的shell脚本 ├── train.sh # 用于执行训练命令的shell脚本 ├── export_model.sh # 用于导出我们自己训练的模型的shell脚本 ├── create_PennFudanPed_tfrecord.py # 将数据集1转换成tfrecord格式的py脚本 ├── export_tflite_ssd_graph.sh # 用于导出tflite压缩图的shell脚本 └── video # 测试视频 └── 2.mp4 ``` ## 实验环境安装 ### 下载 Tensorflow 对象检测 API `Tensorflow/models` 的 GitHub 地址：[https://github.com/tensorflow/models](https://github.com/tensorflow/models) 对象检测 API 的目录：`tensorflow/models/research/object_detection` 通过以下命令将其克隆到本地工作目录 ``` git clone https://github.com/tensorflow/models.git ``` ### 安装依赖库 本次实验使用的是 TensorFlow Object Detection API，根据官方文档介绍，需要安装以下库： - Protobuf 3.0.0 - Python-tk - Pillow 1.0 - lxml - tf Slim (which is included in the “tensorflow/models/research/“ checkout) - Jupyter notebook - Matplotlib - Tensorflow (>=1.9.0) - Cython - contextlib2 - cocoapi 其中，关于 Tensorflow 的详细安装步骤，可以按照 [Tensorflow 官方安装说明](https://www.tensorflow.org/install/)进行操作。一般安装好 python 之后可以使用以下命令之一安装 Tensorflow： ``` # CPU版本 pip install tensorflow # GPU版本 pip install tensorflow-gpu ``` > 安装 GPU 版本的 tensorflow 可以参考[这篇文章](http://cjh.zone/2018/11/28/ubuntu16-04%E5%AE%89%E8%A3%85TensorFlow-GPU/) 其余的库可以通过 `apt-get` 安装在 `Ubuntu 16.04` 上： ``` sudo apt-get install protobuf-compiler python-pil python-lxml python-tk pip install --user Cython pip install --user contextlib2 pip install --user jupyter pip install --user matplotlib ``` > pip 默认将 Python 包安装到系统目录（例如 `/usr/local/lib/python3.6`），这需要 root 访问权限。 > > `--user` 选项的意思是：在你的主目录中创建 pip 安装包，而不需要任何特殊权限。 或者，你也可以使用 pip 安装依赖项： ``` pip install --user Cython pip install --user contextlib2 pip install --user pillow pip install --user lxml pip install --user jupyter pip install --user matplotlib ``` ### Protobuf 编译 Tensorflow 对象检测 API 使用 Protobufs 配置模型和训练参数。在使用框架之前，必须编译 Protobuf 库，可以通过在目录 `tensorflow/models/research/` 运行以下命令来完成： ``` # From tensorflow/models/research/ protoc object_detection/protos/*.proto --python_out=. ``` > 如果在编译时遇到错误，则可能使用的是不兼容的 Protobuf 编译器。如果是这种情况，可以使用手动安装来解决。 ### 手动 Protobuf 编译器安装和使用 **如果你使用的是 Linux：** 下载并安装 protoc 的 3.0 版本，然后解压缩该文件。在目录 `tensorflow/models/research/` 运行以下命令： ``` # From tensorflow/models/research/ wget -O protobuf.zip https://github.com/google/protobuf/releases/download/v3.0.0/protoc-3.0.0-linux-x86_64.zip unzip protobuf.zip ``` 再次运行编译过程，但使用刚才我们自己下载的 protoc 版本，在目录 `tensorflow/models/research/` 运行以下命令： ``` # From tensorflow/models/research/ ./bin/protoc object_detection/protos/*.proto --python_out=. ``` > MacOS 可以参考[这个链接](https://github.com/tensorflow/models/blob/master/research/object_detection/g3doc/installation.md#manual-protobuf-compiler-installation-and-usage) ### 将库添加到 PYTHONPATH 在本地运行时，`tensorflow/models/research/` 和 `tensorflow/models/research/slim` 目录需要添加到 PYTHONPATH，可以通过在目录 `tensorflow/models/research/` 运行以下命令来完成： ``` # From tensorflow/models/research/ export PYTHONPATH=$PYTHONPATH:`pwd`:`pwd`/slim ``` > 每次运行新终端时，都要重新输入此命令，如果希望避免繁琐的操作，可以将其作为新行追加到 `~/ .bashrc` 文件的末尾，将“pwd”替换此项目目录的绝对路径。 ### 测试安装 到现在所有的环境配置就完成了，可以通过运行以下命令来测试是否已正确安装 Tensorflow Object Detection API： ``` python object_detection/builders/model_builder_test.py ``` 如果出现下面的结果就表示安装成功：  ### 建立自己的工作空间 因为 `tensorflow/models/*` 里面有太多其他的模块了，我们这次实验只需要用到其中的 `tensorflow/models/research/object_detection`，所以在环境搭建好之后我们建立一个自己的项目文件夹，让整个工程更简洁。 首先新建文件夹 `Object-Detection-USTC`，然后将刚才目录 `tensorflow/models/research/` 中的 `object_detection` 文件夹和 `slim` 文件夹分别复制一份到 `Object-Detection-USTC` 文件�