dataset\├─ssd_mobilenet_v1_coco_2018_01_28├─faster_rcnn_resnet101_coco_2018_01_28├── checkpoint├── frozen_inference_graph.pb├── model.ckpt.data-00000-of-00001├── model.ckpt.index├── model.ckpt.meta├── pipeline.config├─output├─tf_text_data├─dataset_test.record├─dataset_train.record└─dataset_val.record├─tf_text_graph├─tf_text_graph_common.py├─tf_text_graph_faster_rcnn.py└─tf_text_graph_ssd.py└─VOCdevkit└─VOC2007├─Annotations├─ImageSets│  └─Main├─JPEGImages└─classfier.py

然后将其解压到tensorflow-model文件下即可。

前言

识别手术器械效果：

tensorflow-model的配置可自行百度。

一、下载coco-trained models:

https://github.com/tensorflow/models/blob/master/research/object_detection/g3doc/tf1_detection_zoo.md

把下载的模型放到dataset文件夹中，例如：
faster_rcnn_resnet101_coco_2018_01_28.tar.gz

然后解压：

tar -vxf faster_rcnn_resnet101_coco_2018_01_28.tar.gz -C .

生成faster_rcnn_resnet101_coco_2018_01_28文件夹目录

faster_rcnn_resnet101_coco_2018_01_28/
├── checkpoint
├── frozen_inference_graph.pb
├── model.ckpt.data-00000-of-00001
├── model.ckpt.index
├── model.ckpt.meta
├── pipeline.config
└── saved_model├── saved_model.pb└── variables

将里面的pipeline.config复制到dataset文件夹中，并按照本文件夹的名字重新命名（这样的目的是为了规范，当你拥有很多个模型时就不会乱）

二、数据集的处理

1.将数据集放到JPEGImages文件夹中，xml标签文件放到Annotations文件夹中

2.执行:

python classfier.py

生成ImageSets/Main文件夹下的三个文件:test.txt ,train.txt,val.txt以及一个trainval.txt

3.修改dataset_label_map.pbtxt，有几类写几类，里面的标签必须和xml文件中的一致

4.cd到dataset目录，生成tfrecord，包括验证集，测试集和训练集

python ./create_dataset_tf_record.py --data_dir=./VOCdevkit --year=VOC2007 --label_map_path=./dataset_label_map.pbtxt --set=val --output_path=./tf_text_data/dataset_val.record

python ./create_dataset_tf_record.py --data_dir=./VOCdevkit --year=VOC2007 --label_map_path=./dataset_label_map.pbtxt --set=val --output_path=./tf_text_data/dataset_test.record

python ./create_dataset_tf_record.py --data_dir=./VOCdevkit --year=VOC2007 --label_map_path=./dataset_label_map.pbtxt --set=train --output_path=./tf_text_data/dataset_train.record

三、修改pipeline.config文件

cd到下载模型文件中，可以看到pipeline.config
总共包括五个部分：

1.model：

主要修改：num_classes(分类的类别数）image_resizer {fixed_shape_resizer {height: 300width: 300      （输入网络图像的大小尺寸，一般默认）}
}

2.train_config：

主要修改：

batch_size: 64（按照电脑的配置来定）#####################################################################################       如果使用faster-rcnn，batch_size只能设为1      ##########################################################################################initial_learning_rate: 0.0023（初始学习率，可以自己调节）
decay_steps: 600（每多少个steps变化一次学习率）
decay_factor: 0.96（每次变化的学习率：current_learning_rate = decay_factor*initial_learning_rate）
num_steps: 50000（训练的次数）
fine_tune_checkpoint: "#####/output/model.ckpt-18508"（迁移学习的模型文件）

3.train_input_reader：

tf_record_input_reader {input_path: "#####/tf_text_data/dataset_train.record"（训练集的位置）
}
label_map_path: "#####/dataset_label_map.pbtxt"（标签的定义文件）

4.eval_config：

metrics_set:"coco_detection_metrics"（测量的方式，主要是用mAP来度量）num_examples: 300(验证集的数量)max_evals: 1（验证的循环次数）use_moving_averages:false（采用滑动平均）

5.eval_input_reader：

 tf_record_input_reader {input_path: "#####/tf_text_data/dataset_val.record"（验证集的位置）}label_map_path: "#####/dataset_label_map.pbtxt"（标签的定义文件）

四、训练

对于ssd：

python ../research/object_detection/legacy/train.py --logtostderr --train_dir=./output --pipeline_config_path=./ssd_mobilenet_v1_coco_2018_01_28/pipeline.config

对于faster-rcnn:

python ../research/object_detection/legacy/train.py  --logtostderr --train_dir=./output --pipeline_config_path=./faster_rcnn_resnet101_coco_2018_01_28/pipeline.config

五、保存节点pb

ssd算法：

python ../research/object_detection/export_inference_graph.py input_type image_tensor --pipeline_config_path ./ssd_mobilenet_v1_coco_2018_01_28/pipeline.config --trained_checkpoint_prefix ./output/model.ckpt-50000 --output_directory ./output

faster-rcnn算法：

python ../research/object_detection/export_inference_graph.py input_type image_tensor --pipeline_config_path ./faster_rcnn_resnet101_coco_2018_01_28/pipeline.config --trained_checkpoint_prefix ./output/model.ckpt-0 --output_directory ./output

六、生成pbtxt文件，opencv调用需要

生成pbtxt的py文件位于opencv源码文件/samples/dnn中
地址：
https://github.com/opencv/opencv/tree/4.5.2/samples/dnn/tf_text_graph_ssd.py

OpenCV调用示例：https://github.com/opencv/opencv/blob/4.5.2/samples/dnn/object_detection.cpp

python ./tf_text_graph/tf_text_graph_ssd.py --input=./output/frozen_inference_graph.pb --output=./output/frozen_inference_graph.pbtxt  --config=./ssd_mobilenet_v1_coco_2018_01_28/pipeline.config

七、测试图片

打开object_detection_test.py文件,修改：
模型位置：

MODEL_NAME = './output'

模型名

PATH_TO_CKPT = MODEL_NAME + '/frozen_inference_graph.pb'

模型标签文件

PATH_TO_LABELS = './dataset_label_map.pbtxt'

类别数

NUM_CLASSES = 7

python ./object_detection_test.py --image ./VOCdevkit/VOC2007/JPEGImages/v03_062250.jpg

或者：

python ./object_detection_test.py  --data ./VOCdevkit/VOC2007/ImageSets/Main/val.txt

利用tensorFlow api 识别手术器械相关推荐

python识别图像中的物体_python爬虫-利用百度api识别照片中的物体
我会了,您呢开门见山,我直接开始了,这真的只是体验课,不值得我体验一整天的时间,我花了半小时. 基础不需要,会认字就行.软件:pycharm,py3.x/py2.x,两个都行,我用的3. 需要自己有 ...
利用tensorflow.js在线实现图像要素识别提取
什么是Tensorflow.js? TensorFlow.js是一个开源的基于硬件加速的JavaScript库,用于训练和部署机器学习模型.谷歌推出的第一个基于TensorFlow的前端深度学习框架T ...
利用百度人脸识别API，实现人脸登陆JavaWeb
JavaWeb利用百度API实现人脸登陆功能笔者的完整项目 1,在百度云注册人脸库 2,引入必要的包 3,编写java代码 4,介绍对人脸库的增删改查功能 5,该功能加入到我的项目 (1),界面展示 ...
利用TensorFlow搭建CNN,DNN网络实现图像手写识别，总结。
利用TensorFlow搭建CNN,DNN网络实现图像手写识别,总结. 摘要一.神经网络与卷积网络的对比 1.数据处理 2.对获取到的数据进行归一化和独热编码二.开始我们的tensorflow神经 ...
利用百度人脸识别API和pyqt5实现基于人脸识别的可视化课堂签到管理系统
利用百度人脸识别API和pyqt5实现基于人脸识别的可视化课堂签到管理系统一.项目介绍基于人脸识别的课堂签到管理系统二.概要设计工程项目:基于人脸识别的课堂签到管理系统分为:三个阶段 1.定 ...
Python 利用百度文字识别 API 识别并提取图片中文字
Python 利用百度文字识别 API 识别并提取图片中文字利用百度 AI 开发平台的 OCR 文字识别 API 识别并提取图片中的文字.首先需注册获取 API 调用的 ID 和 key,步骤如下: ...
TensorFlow笔记（3）——利用TensorFlow和MNIST数据集训练一个最简单的手写数字识别模型...
前言当我们开始学习编程的时候,第一件事往往是学习打印"Hello World".就好比编程入门有Hello World,机器学习入门有MNIST. MNIST是一个入门级的计算机 ...
动动手，用TensorFlow API训练出自己的目标检测模型
TensorFlow内包含了一个强大的物体检测API,我们可以利用这API来训练自己的数据集实现特殊的目标检测. Dat Tran就分享了自己实现可爱的浣熊检测器的经历,在文章中作者把检测器的训练流程 ...
利用Tensorflow构建RNN并对序列数据进行建模
利用Tensorflow构建RNN并对序列数据进行建模对文本处理处理任务的方法中,一般将TF-IDF向量作为特征输入.显然的缺陷是:这种方法丢失了输入的文本序列中每个单词的顺序. 对一般的前馈神经网 ...
利用TensorFlow和神经网络来处理文本分类问题
利用TensorFlow和神经网络来处理文本分类问题 By 机器之心2017年8月23日 10:33 在这篇文章中,机器之心海外分析师对Medium(链接见文后)上的一篇热门博客进行了介绍,讨论了六个 ...

利用tensorFlow api 识别手术器械

目录

前言