应公司要求，利用谷歌最近开源的Google object_detection API对公司收集的数据集进行训练，并检测训练效果。通过一两天的研究以及维持四天的训练（GTX 1060 6GB），终于成功的在自己数据集上训练的任务。测试效果感觉还行，虽没有达到谷歌官方公布的数据集上跑的识别效果，但是识别率也还过得去，这主要是因为数据集没有官方做的那么规范。下图为本人挑选的一张识别率较好的图片（识别哈尔滨啤酒）：

下面把本人如何一步步在自己的数据集上训练的详细步骤做个总结，一是方便自己以后操作起来更快的再次上手训练，二是方便大家能好的实现该API的一些需求。

需要说明的：

1：本教程用的模型权重参数为faster_rcnn_resnet101_coco ，可点击进行模型的下载。

2：数据集格式需要为转换成tensorflow要求的tfrecord的形式。

3：本文在GTX 1060 6GB的显卡上训练了四天

4：如何安装tensorflow等一些依赖库，本文不再赘述，请参考：安装依赖库教程链接

过程：

1：下载Google object_detection API：

下载地址

2：数据集准备：

数据集需要符合API所需的TFRecord格式，官方提供的数据集格式为PASCAL VOC格式，API已经为我们提供了将此格式转为TFRecord的代码. 但是这里我们需要注意一个细节：create_pascal_tf_record.py中的

examples_path = os.path.join(data_dir, year, 'ImageSets', 'Main',
                             'aeroplane_' + FLAGS.set + '.txt')

去掉'aeroplane_'。

同时，将文件中的

flags.DEFINE_string('label_map_path', 'data/pascal_label_map.pbtxt',
                    'Path to label map proto')

data/pascal_labe_map.pbtxt改为自己的数据集label

然后在“tensorflow/models/object_detection/”目录下运行以下命令

[python] view plain copy

#生成训练集record
python create_pascal_tf_record.py --data_dir=`自己的训练数据集路径` \
--year=VOC2007 --set=train --output_path=`你想保存的训练集的record路径`
#生成验证集record
python create_pascal_tf_record.py --data_dir=`自己的验证数据集路径` \
--year=VOC2007 --set=val --output_path=`你想保存的验证集的record路径`

注意，在data目录下选择一个.pbtxt文件，将该文件改为自己数据集的label。
执行上述两个命令后会在data文件夹下生成两个record文件。

3：下载预训练模型

按照上文“需要说明的”第一条下载预训练模型，将下载好的模型进行解压，并将.ckpt的三个文件拷贝到models目录下。将object_detection/samples/configs/faster_rcnn_resnet101_voc07.config复制到models目录下并做如下修改：
1）num_classes:修改为之前修的的.pbtxt文件中的类别数目
2）将所有'PATH_TO_BE_CONFIGURED'修改为自己之前设置的路径

4:开始训练

执行上述三步之后我们可以开始训练了，此处需要注意两点，不然会出现模块导出错误，在tensorflow/models分别运行：

[python] view plain copy

protoc object_detection/protos/*.proto --python_out=.
export PYTHONPATH=$PYTHONPATH:`pwd`:`pwd`/slim

然后进入到obeject_detection目录下，运行一下命令：

[python] view plain copy

python train.py --train_dir='想要保存训练模型的路径' --pipeline_config_path='你采用的.config文件路径'

5：模型可视化

运行上述四步之后您基本上只需等着模型运行完成即可，如果您想要可视化您的模型，可以运行：

[python] view plain copy

tensorboard --logdir=’上面第4点提到的train_dir路径‘

然后在你的浏览器输入0.0.0.0：6006就能看到模型一些相关参数的可视化结果了。

训练完成后会生成三个.cpkt的文件，将这三个文件复制到tensorflow/models下，可利用这三个文件生成一个.pb文件，生成代码如下：

[python] view plain copy

python object_detection/export_inference_graph.py \
--input_type image_tensor \
--pipeline_config_path ’你的.config文件路径’ \
--checkpoint_path model.ckpt-‘CHECKPOINT_NUMBER’ \
--inference_graph_path output_inference_graph.pb

这样你就可以利用.pb文件进行目标检测了，具体步骤请参考： github.com/tensorflow/m

6：参考

https://zhuanlan.zhihu.com/p/27469690

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

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

目标检测（Google object_detection） API 上训练自己的数据集相关推荐

使用tensorflow object_detection API完成目标检测（object_detection API使用）
硬件环境操作系统:ubuntu16.04LTS 显卡:GTX1080Ti 10G显存内存32G 代码托管在码云,因为github实在是太慢了,老是timeout,翻墙也不行,搞了半天搞不定,突然看 ...
墨尘目标检测4--yoyo3模型解析及训练自己的数据集
YOLOv3相比于之前的yolo1和yolo2,改进较大,主要改进方向有: 1.主干网络修改为darknet53,其重要特点是使用了残差网络Residual,darknet53中的残差卷积就是进行一次 ...
（二）目标检测模型的评测与训练技巧
转载自知乎:https://zhuanlan.zhihu.com/p/34142321 关于作者: @李家丞同济大学数学系本科在读,现为格灵深瞳算法部实习生. -------------------- ...
GPU端到端目标检测YOLOV3全过程（上）
GPU端到端目标检测YOLOV3全过程(上) Basic Parameters: Video: mp4, webM, avi Picture: jpg, png, gif, bmp Text: doc ...
Yolov5不止于目标检测，在图像分类上的落地应用！
点击下方卡片,关注"自动驾驶之心"公众号 ADAS巨卷干货,即可获取点击进入→自动驾驶之心[目标检测]技术交流群后台回复[2D检测综述]获取鱼眼检测.实时检测.通用2D检测等近 ...
【目标检测】在图像上画bounding box框，生成带真实标签gt的图片
[目标检测]在图像上画bounding box框,生成带真实标签gt的图片问题/Motivation 数据格式用到的库实际代码` 结果展示问题/Motivation 在制作完数据集后,想看一下 ...
Facebook 开源3D目标检测框架VoteNet，曾刷新两大数据集最高精度
点击我爱计算机视觉标星,更快获取CVML新技术 VoteNet为Facebook何恺明等人于今年4月在论文Deep Hough Voting for 3D Object Detection in Po ...
【目标检测实战】目标检测实战之一--手把手教你LMDB格式数据集制作！
文章目录 1 目标检测简介 2 lmdb数据制作 2.1 VOC数据制作 2.2 lmdb文件生成 lmdb格式的数据是在使用caffe进行目标检测或分类时,使用的一种数据格式.这里我主要以目标检测为 ...
使用Google object_detection API与opencv实现简单的动态目标实时检测
这是我第一次在CSDN上发博客,如有错误或不满可以向我指出或联系我,希望这篇文章能够帮助一些人. 现在是第二次修改版人工智能很火,我也尝试自己去做一些小小的东西,最近自己训练了一个检测黑框眼镜的模型 ...

目标检测（Google object_detection） API 上训练自己的数据集

需要说明的：

过程：

1：下载Google object_detection API：

下载地址

2：数据集准备：

3：下载预训练模型

4:开始训练

6：参考

目标检测（Google object_detection） API 上训练自己的数据集相关推荐

最新文章

热门文章