使用自己的数据集训练MobileNet、ResNet实现图像分类(TensorFlow)| CSDN博文精选
作者 | pan_jinquan
来源 | CSDN博文精选
之前写了一篇博客《使用自己的数据集训练GoogLenet InceptionNet V1 V2 V3模型(TensorFlow)》https://panjinquan.blog.csdn.net/article/details/81560537,本博客就是此博客的框架基础上,完成对MobileNet的图像分类模型的训练,其相关项目的代码也会统一更新到一个Github中,强烈建议先看这篇博客《使用自己的数据集训练GoogLenet InceptionNet V1 V2 V3模型(TensorFlow)》后,再来看这篇博客。
TensorFlow官网中使用高级API -slim实现了很多常用的模型,如VGG,GoogLenet V1、V2和V3以及MobileNet、resnet模型,可详看这里https://github.com/tensorflow/models/tree/master/research/slim,当然TensorFlow官网也提供了训练这些模型的脚本文件,但灵活性太差了,要想增加log或者其他信息,真的很麻烦。
本人花了很多时间,去搭建一个较为通用的模型训练框架《tensorflow_models_nets》,目前几乎可以支持所有模型的训练,由于训练过程是自己构建的,所以你可以在此基础上进行任意的修改,也可以搭建自己的训练模型。
重要说明:
(1)项目Github源码:https://github.com/PanJinquan/tensorflow_models_learning,麻烦给个“Star”
(2)你需要一台显卡不错的服务器,不然会卡的一比,慢到花都谢了
(3)对于MobileNet、resnet等大型的网络模型,重头开始训练,是很难收敛的。但迁移学习finetune部分我还没有实现,大神要是现实了,分享一下哈。
(4)注意训练mobilenet时,在迭代10000次以前,loss和准确率几乎不会提高。一开始我以为是训练代码写错了,后来寻思了很久,才发现是模型太复杂了,所以收敛慢的一比,大概20000次迭代后,准确率才开始蹭蹭的往上长,迭代十万次后准确率才70%。
目录
使用自己的数据集训练MobileNet图像识别(TensorFlow)
1、项目文件结构说明
2、MobileNet的网络:
3、图片数据集
4、制作tfrecords数据格式
5、MobileNet模型
6、训练方法实现过程
7、模型预测
8、其他模型训练方法
1、项目文件结构说明
tensorflow_models_nets:|__dataset #数据文件 |__record #里面存放record文件 |__train #train原始图片 |__val #val原始图片|__models #保存训练的模型|__slim #这个是拷贝自slim模块:https://github.com/tensorflow/models/tree/master/research/slim|__test_image #存放测试的图片|__create_labels_files.py #制作trian和val TXT的文件|__create_tf_record.py #制作tfrecord文件|__inception_v1_train_val.py #inception V1的训练文件|__inception_v3_train_val.py # inception V3训练文件|__mobilenet_train_val.py#mobilenet训练文件|__resnet_v1_train_val.py#resnet训练文件|__predict.py # 模型预测文件
2、MobileNet的网络
关于MobileNet模型,请详看这篇博客《轻量级网络--MobileNet论文解读》https://blog.csdn.net/u011974639/article/details/79199306 ,本博客不会纠结于模型原理和论文,主要分享的是用自己的数据集去训练MobileNet的方法。
3、图片数据集
下面是我下载的数据集,共有五类图片,分别是:flower、guitar、animal、houses和plane,每组数据集大概有800张左右。为了照顾网友,下面的数据集,都已经放在Github项目的文件夹dataset上了,不需要你下载了,记得给个“star”哈~
animal:http://www.robots.ox.ac.uk/~vgg/data/pets/ flower:http://www.robots.ox.ac.uk/~vgg/data/flowers/ plane:http://www.robots.ox.ac.uk/~vgg/data/airplanes_side/airplanes_side.tar house:http://www.robots.ox.ac.uk/~vgg/data/houses/houses.tar guitar:http://www.robots.ox.ac.uk/~vgg/data/guitars/guitars.tar
下载图片数据集后,需要划分为train和val数据集,前者用于训练模型的数据,后者主要用于验证模型。这里提供一个create_labels_files.py脚本,可以直接生成训练train和验证val的数据集txt文件。
#-*-coding:utf-8-*-""" @Project: googlenet_classification @File : create_labels_files.py @Author : panjq @E-mail : pan_jinquan@163.com @Date : 2018-08-11 10:15:28"""import osimport os.pathdef write_txt(content, filename, mode='w'): """保存txt数据 :param content:需要保存的数据,type->list :param filename:文件名 :param mode:读写模式:'w' or 'a' :return: void """ with open(filename, mode) as f: for line in content: str_line = "" for col, data in enumerate(line): if not col == len(line) - 1: # 以空格作为分隔符 str_line = str_line + str(data) + " " else: # 每行最后一个数据用换行符“\n” str_line = str_line + str(data) + "\n" f.write(str_line)def get_files_list(dir): ''' 实现遍历dir目录下,所有文件(包含子文件夹的文件) :param dir:指定文件夹目录 :return:包含所有文件的列表->list ''' # parent:父目录, filenames:该目录下所有文件夹,filenames:该目录下的文件名 files_list = [] for parent, dirnames, filenames in os.walk(dir): for filename in filenames: # print("parent is: " + parent) # print("filename is: " + filename) # print(os.path.join(parent, filename)) # 输出rootdir路径下所有文件(包含子文件)信息 curr_file=parent.split(os.sep)[-1] if curr_file=='flower': labels=0 elif curr_file=='guitar': labels=1 elif curr_file=='animal': labels=2 elif curr_file=='houses': labels=3 elif curr_file=='plane': labels=4 files_list.append([os.path.join(curr_file, filename),labels]) return files_listif __name__ == '__main__': train_dir = 'dataset/train' train_txt='dataset/train.txt' train_data = get_files_list(train_dir) write_txt(train_data,train_txt,mode='w') val_dir = 'dataset/val' val_txt='dataset/val.txt' val_data = get_files_list(val_dir) write_txt(val_data,val_txt,mode='w')
注意,上面Python代码,已经定义每组图片对应的标签labels:
flower ->labels=0guitar ->labels=1animal ->labels=2houses ->labels=3plane ->labels=4
4、制作tfrecords数据格式
有了 train.txt和val.txt数据集,我们就可以制作train.tfrecords和val.tfrecords文件了,项目提供一个用于制作tfrecords数据格式的Python文件:create_tf_record.py,鄙人已经把代码放在另一篇博客:《Tensorflow生成自己的图片数据集TFrecords》https://blog.csdn.net/guyuealian/article/details/80857228 ,代码有详细注释了,所以这里不贴出来了.
注意:
(1)create_tf_record.py将train和val数据分别保存为单个record文件,当图片数据很多时候,会导致单个record文件超级巨大的情况,解决方法就是,将数据分成多个record文件保存,读取时,只需要将多个record文件的路径列表交给“tf.train.string_input_producer”即可。
(2)如何将数据保存为多个record文件呢?请参考鄙人的博客:《Tensorflow生成自己的图片数据集TFrecords》https://blog.csdn.net/guyuealian/article/details/80857228
为了方便大家,项目以及适配了“create_tf_record.py”文件,dataset已经包含了训练和测试的图片,请直接运行create_tf_record.py即可生成tfrecords文件。
对于InceptionNet V1:设置resize_height和resize_width = 224
对于InceptionNet V3:设置resize_height和resize_width = 299
其他模型,请根据输入需要设置resize_height和resize_width的大小
if __name__ == '__main__': # 参数设置 resize_height = 224 # 指定存储图片高度 resize_width = 224 # 指定存储图片宽度 shuffle=True log=5 # 产生train.record文件 image_dir='dataset/train' train_labels = 'dataset/train.txt' # 图片路径 train_record_output = 'dataset/record/train{}.tfrecords'.format(resize_height) create_records(image_dir,train_labels, train_record_output, resize_height, resize_width,shuffle,log) train_nums=get_example_nums(train_record_output) print("save train example nums={}".format(train_nums)) # 产生val.record文件 image_dir='dataset/val' val_labels = 'dataset/val.txt' # 图片路径 val_record_output = 'dataset/record/val{}.tfrecords'.format(resize_height) create_records(image_dir,val_labels, val_record_output, resize_height, resize_width,shuffle,log) val_nums=get_example_nums(val_record_output) print("save val example nums={}".format(val_nums)) # 测试显示函数 # disp_records(train_record_output,resize_height, resize_width) batch_test(train_record_output,resize_height, resize_width) create_tf_record.py提供几个重要的函数:create_records():用于制作records数据的函数,read_records():用于读取records数据的函数,get_batch_images():用于生成批训练数据的函数get_example_nums:统计tf_records图像的个数(example个数)disp_records(): 解析record文件,并显示图片,主要用于验证生成record文件是否成功
5、MobileNet模型
官网TensorFlow已经提供了使用TF-slim实现的MobileNet模型。
(1)官网模型地址:https://github.com/tensorflow/models/tree/master/research/slim/nets
(2)slim/nets下的模型都是用TF-slim实现的网络结构,关系TF-slim的用法,可参考:
《tensorflow中slim模块api介绍》:https://blog.csdn.net/guvcolie/article/details/77686555
6、训练方法实现过程
训练文件源码已经给了较为详细的注释,不明白请在评论区留言吧
#coding=utf-8import tensorflow as tf import numpy as np import pdbimport osfrom datetime import datetimeimport slim.nets.mobilenet_v1 as mobilenet_v1from create_tf_record import *import tensorflow.contrib.slim as slim'''参考资料:https://www.cnblogs.com/adong7639/p/7942384.html'''labels_nums = 5 # 类别个数batch_size = 16 #resize_height = 224 # mobilenet_v1.default_image_size 指定存储图片高度resize_width = 224 # mobilenet_v1.default_image_size 指定存储图片宽度depths = 3data_shape = [batch_size, resize_height, resize_width, depths]# 定义input_images为图片数据input_images = tf.placeholder(dtype=tf.float32, shape=[None, resize_height, resize_width, depths], name='input')# 定义input_labels为labels数据# input_labels = tf.placeholder(dtype=tf.int32, shape=[None], name='label')input_labels = tf.placeholder(dtype=tf.int32, shape=[None, labels_nums], name='label')# 定义dropout的概率keep_prob = tf.placeholder(tf.float32,name='keep_prob')is_training = tf.placeholder(tf.bool, name='is_training')def net_evaluation(sess,loss,accuracy,val_images_batch,val_labels_batch,val_nums): val_max_steps = int(val_nums / batch_size) val_losses = [] val_accs = [] for _ in range(val_max_steps): val_x, val_y = sess.run([val_images_batch, val_labels_batch]) # print('labels:',val_y) # val_loss = sess.run(loss, feed_dict={x: val_x, y: val_y, keep_prob: 1.0}) # val_acc = sess.run(accuracy,feed_dict={x: val_x, y: val_y, keep_prob: 1.0}) val_loss,val_acc = sess.run([loss,accuracy], feed_dict={input_images: val_x, input_labels: val_y, keep_prob:1.0, is_training: False}) val_losses.append(val_loss) val_accs.append(val_acc) mean_loss = np.array(val_losses, dtype=np.float32).mean() mean_acc = np.array(val_accs, dtype=np.float32).mean() return mean_loss, mean_accdef step_train(train_op,loss,accuracy, train_images_batch,train_labels_batch,train_nums,train_log_step, val_images_batch,val_labels_batch,val_nums,val_log_step, snapshot_prefix,snapshot): ''' 循环迭代训练过程 :param train_op: 训练op :param loss: loss函数 :param accuracy: 准确率函数 :param train_images_batch: 训练images数据 :param train_labels_batch: 训练labels数据 :param train_nums: 总训练数据 :param train_log_step: 训练log显示间隔 :param val_images_batch: 验证images数据 :param val_labels_batch: 验证labels数据 :param val_nums: 总验证数据 :param val_log_step: 验证log显示间隔 :param snapshot_prefix: 模型保存的路径 :param snapshot: 模型保存间隔 :return: None ''' saver = tf.train.Saver(max_to_keep=5) max_acc = 0.0 with tf.Session() as sess: sess.run(tf.global_variables_initializer()) sess.run(tf.local_variables_initializer()) coord = tf.train.Coordinator() threads = tf.train.start_queue_runners(sess=sess, coord=coord) for i in range(max_steps + 1): batch_input_images, batch_input_labels = sess.run([train_images_batch, train_labels_batch]) _, train_loss = sess.run([train_op, loss], feed_dict={input_images: batch_input_images, input_labels: batch_input_labels, keep_prob: 0.8, is_training: True}) # train测试(这里仅测试训练集的一个batch) if i % train_log_step == 0: train_acc = sess.run(accuracy, feed_dict={input_images: batch_input_images, input_labels: batch_input_labels, keep_prob: 1.0, is_training: False}) print("%s: Step [%d] train Loss : %f, training accuracy : %g" % ( datetime.now(), i, train_loss, train_acc)) # val测试(测试全部val数据) if i % val_log_step == 0: mean_loss, mean_acc = net_evaluation(sess, loss, accuracy, val_images_batch, val_labels_batch, val_nums) print("%s: Step [%d] val Loss : %f, val accuracy : %g" % (datetime.now(), i, mean_loss, mean_acc)) # 模型保存:每迭代snapshot次或者最后一次保存模型 if (i % snapshot == 0 and i > 0) or i == max_steps: print('-----save:{}-{}'.format(snapshot_prefix, i)) saver.save(sess, snapshot_prefix, global_step=i) # 保存val准确率最高的模型 if mean_acc > max_acc and mean_acc > 0.7: max_acc = mean_acc path = os.path.dirname(snapshot_prefix) best_models = os.path.join(path, 'best_models_{}_{:.4f}.ckpt'.format(i, max_acc)) print('------save:{}'.format(best_models)) saver.save(sess, best_models) coord.request_stop() coord.join(threads)def train(train_record_file, train_log_step, train_param, val_record_file, val_log_step, labels_nums, data_shape, snapshot, snapshot_prefix): ''' :param train_record_file: 训练的tfrecord文件 :param train_log_step: 显示训练过程log信息间隔 :param train_param: train参数 :param val_record_file: 验证的tfrecord文件 :param val_log_step: 显示验证过程log信息间隔 :param val_param: val参数 :param labels_nums: labels数 :param data_shape: 输入数据shape :param snapshot: 保存模型间隔 :param snapshot_prefix: 保存模型文件的前缀名 :return: ''' [base_lr,max_steps]=train_param [batch_size,resize_height,resize_width,depths]=data_shape # 获得训练和测试的样本数 train_nums=get_example_nums(train_record_file) val_nums=get_example_nums(val_record_file) print('train nums:%d,val nums:%d'%(train_nums,val_nums)) # 从record中读取图片和labels数据 # train数据,训练数据一般要求打乱顺序shuffle=True train_images, train_labels = read_records(train_record_file, resize_height, resize_width, type='normalization') train_images_batch, train_labels_batch = get_batch_images(train_images, train_labels, batch_size=batch_size, labels_nums=labels_nums, one_hot=True, shuffle=True) # val数据,验证数据可以不需要打乱数据 val_images, val_labels = read_records(val_record_file, resize_height, resize_width, type='normalization') val_images_batch, val_labels_batch = get_batch_images(val_images, val_labels, batch_size=batch_size, labels_nums=labels_nums, one_hot=True, shuffle=False) # Define the model: with slim.arg_scope(mobilenet_v1.mobilenet_v1_arg_scope()): out, end_points = mobilenet_v1.mobilenet_v1(inputs=input_images, num_classes=labels_nums, dropout_keep_prob=keep_prob, is_training=is_training, global_pool=True) # Specify the loss function: tf.losses定义的loss函数都会自动添加到loss函数,不需要add_loss()了 tf.losses.softmax_cross_entropy(onehot_labels=input_labels, logits=out) # 添加交叉熵损失loss=1.6 # slim.losses.add_loss(my_loss) loss = tf.losses.get_total_loss(add_regularization_losses=True) # 添加正则化损失loss=2.2 # Specify the optimization scheme: # 在定义训练的时候, 注意到我们使用了`batch_norm`层时,需要更新每一层的`average`和`variance`参数, # 更新的过程不包含在正常的训练过程中, 需要我们去手动像下面这样更新 # 通过`tf.get_collection`获得所有需要更新的`op` update_ops = tf.get_collection(tf.GraphKeys.UPDATE_OPS) # 使用`tensorflow`的控制流, 先执行更新算子, 再执行训练 with tf.control_dependencies(update_ops): print("update_ops:{}".format(update_ops)) # create_train_op that ensures that when we evaluate it to get the loss, # the update_ops are done and the gradient updates are computed. # train_op = tf.train.MomentumOptimizer(learning_rate=base_lr, momentum=0.9).minimize(loss) train_op = tf.train.AdadeltaOptimizer(learning_rate=base_lr).minimize(loss) accuracy = tf.reduce_mean(tf.cast(tf.equal(tf.argmax(out, 1), tf.argmax(input_labels, 1)), tf.float32)) # 循环迭代过程 step_train(train_op=train_op, loss=loss, accuracy=accuracy, train_images_batch=train_images_batch, train_labels_batch=train_labels_batch, train_nums=train_nums, train_log_step=train_log_step, val_images_batch=val_images_batch, val_labels_batch=val_labels_batch, val_nums=val_nums, val_log_step=val_log_step, snapshot_prefix=snapshot_prefix, snapshot=snapshot)if __name__ == '__main__': train_record_file='dataset/record/train224.tfrecords' val_record_file='dataset/record/val224.tfrecords' train_log_step=100 base_lr = 0.001 # 学习率 # 重头开始训练的话,mobilenet收敛慢的一比,大概20000次迭代后,准确率开始蹭蹭的往上长,迭代十万次后准确率才70% max_steps = 100000 # 迭代次数 train_param=[base_lr,max_steps] val_log_step=500 snapshot=2000#保存文件间隔 snapshot_prefix='models/model.ckpt' train(train_record_file=train_record_file, train_log_step=train_log_step, train_param=train_param, val_record_file=val_record_file, val_log_step=val_log_step, labels_nums=labels_nums, data_shape=data_shape, snapshot=snapshot, snapshot_prefix=snapshot_prefix)
7、模型预测
模型预测,项目只提供一个predict.py,实质上,你只需要稍微改改,就可以预测其他模型
#coding=utf-8import tensorflow as tf import numpy as np import pdbimport cv2import osimport globimport slim.nets.inception_v3 as inception_v3from create_tf_record import *import tensorflow.contrib.slim as slimdef predict(models_path,image_dir,labels_filename,labels_nums, data_format): [batch_size, resize_height, resize_width, depths] = data_format labels = np.loadtxt(labels_filename, str, delimiter='\t') input_images = tf.placeholder(dtype=tf.float32, shape=[None, resize_height, resize_width, depths], name='input') #其他模型预测请修改这里 with slim.arg_scope(inception_v3.inception_v3_arg_scope()): out, end_points = inception_v3.inception_v3(inputs=input_images, num_classes=labels_nums, dropout_keep_prob=1.0, is_training=False) # 将输出结果进行softmax分布,再求最大概率所属类别 score = tf.nn.softmax(out,name='pre') class_id = tf.argmax(score, 1) sess = tf.InteractiveSession() sess.run(tf.global_variables_initializer()) saver = tf.train.Saver() saver.restore(sess, models_path) images_list=glob.glob(os.path.join(image_dir,'*.jpg')) for image_path in images_list: im=read_image(image_path,resize_height,resize_width,normalization=True) im=im[np.newaxis,:] #pred = sess.run(f_cls, feed_dict={x:im, keep_prob:1.0}) pre_score,pre_label = sess.run([score,class_id], feed_dict={input_images:im}) max_score=pre_score[0,pre_label] print("{} is: pre labels:{},name:{} score: {}".format(image_path,pre_label,labels[pre_label], max_score)) sess.close()if __name__ == '__main__': class_nums=5 image_dir='test_image' labels_filename='dataset/label.txt' models_path='models/model.ckpt-10000' batch_size = 1 # resize_height = 299 # 指定存储图片高度 resize_width = 299 # 指定存储图片宽度 depths=3 data_format=[batch_size,resize_height,resize_width,depths] predict(models_path,image_dir, labels_filename, class_nums, data_format)
8、其他模型训练方法
上面的程序是训练MobileNet的完整过程,实质上,稍微改改就可以支持训练 inception V1,V2和resnet 啦,改动方法也很简单,以 MobileNe训练代码改为resnet_v1模型为例:
(1)import 改为:
# 将import slim.nets.mobilenet_v1 as mobilenet_v1# 改为import slim.nets.resnet_v1 as resnet_v1
(2)record数据
制作record数据时,需要根据模型输入设置:
resize_height = 224 # 指定存储图片高度resize_width = 224 # 指定存储图片宽度
(3)定义模型和默认参数修改:
# 将 # Define the model: with slim.arg_scope(mobilenet_v1.mobilenet_v1_arg_scope()): out, end_points = mobilenet_v1.mobilenet_v1(inputs=input_images, num_classes=labels_nums, dropout_keep_prob=keep_prob, is_training=is_training, global_pool=True) # 改为 # Define the model: with slim.arg_scope(resnet_v1.resnet_arg_scope()): out, end_points = resnet_v1.resnet_v1_101(inputs=input_images, num_classes=labels_nums, is_training=is_training,global_pool=True)
(4)修改优化方案
对于大型的网络模型,重头开始训练,是很难收敛的。训练mobilenet时,在迭代10000次以前,loss和准确率几乎不会提高。一开始我以为是训练代码写错了,后来寻思了很久,才发现是模型太复杂了,所以收敛慢的一比,大概20000次迭代后,准确率才开始蹭蹭的往上长,迭代十万次后准确率才70%,若训练过程发现不收敛,请尝试修改:
1、等!!!!至少你要迭代50000次,才能说你的模型不收敛!
2、增大或减小学习率参数:base_lr(个人经验:模型越深越复杂时,学习率越小)
3、改变优化方案:如使用MomentumOptimizer或者AdadeltaOptimizer等优化方法
4、是否有设置默认的模型参数:如slim.arg_scope(inception_v1.inception_v1_arg_scope())
……最后,就可以Train了!是的,就是那么简单~
技术的道路一个人走着极为艰难?
一身的本领得不施展?
优质的文章得不到曝光?
别担心,
即刻起,CSDN 将为你带来创新创造创变展现的大舞台,
扫描下方二维码,欢迎加入 CSDN 「原力计划」!
推荐阅读
大四学生发明文言文编程语言,设计思路清奇
超模脸、网红脸、萌娃脸...换头像不重样?我开源了5款人脸生成器
解读 | 2019年10篇计算机视觉精选论文(上)
高通:2 亿像素手机 2020 年诞生!
英特尔首推异构编程神器 oneAPI,可让程序员少加班!
VS Code 成主宰、Vue 备受热捧!2019 前端开发趋势必读
我在华为做外包的真实经历
2019 区块链大事记 | Libra 横空出世,莱特币减产,美国放行 Bakkt……这一年太精彩!
互联网诞生记: 浪成于微澜之间
-
你点的每个“在看”,我都认真当成了AI
使用自己的数据集训练MobileNet、ResNet实现图像分类(TensorFlow)| CSDN博文精选相关推荐
- 使用自己的数据集训练MobileNet、ResNet实现图像分类(TensorFlow)
使用自己的数据集训练MobileNet.ResNet实现图像分类(TensorFlow) 之前鄙人写了一篇博客<使用自己的数据集训练GoogLenet InceptionNet V1 V2 V3 ...
- 模型训练完才是业务的开始?说说模型监控 | CSDN博文精选
扫码参与CSDN"原力计划" 作者 | A字头 来源 | 数据札记倌(ID:Data_Groom) "模型训练结束后才是业务真正的开始" 简述 每次模型训练完成 ...
- 改善深度学习训练的trick总结 | CSDN博文精选
扫码参与CSDN"原力计划" 作者 | ZesenChen 来源 | CSDN博客精选 在深度学习中,同样一个模型用不同的初始化,数据处理,batch size,学习率,优化器都能 ...
- 使用自己的数据集训练GoogLenet InceptionNet V1 V2 V3模型(TensorFlow)
使用自己的数据集训练GoogLenet InceptionNet V1 V2 V3模型(TensorFlow) [尊重原创,转载请注明出处]https://blog.csdn.net/guyueali ...
- 深度学习目标检测:YOLOv5实现车辆检测(含车辆检测数据集+训练代码)
深度学习目标检测:YOLOv5实现车辆检测(含车辆检测数据集+训练代码) 目录 深度学习目标检测:YOLOv5实现车辆检测(含车辆检测数据集+训练代码) 1. 前言 2. 车辆检测数据集说明 (1)车 ...
- 深度学习目标检测:YOLOv5实现红绿灯检测(含红绿灯数据集+训练代码)
深度学习目标检测:YOLOv5实现红绿灯检测(含红绿灯数据集+训练代码) 目录 深度学习目标检测:YOLOv5实现红绿灯检测(含红绿灯数据集+训练代码) 1. 前言 2. 红绿灯检测数据集说明 (1) ...
- tensorflow精进之路(二十五)——Object Detection API目标检测(下)(VOC数据集训练自己的模型进行目标检测)
1.概述 上一讲,我们使用了别人根据COCO数据集训练好的模型来做目标检测,这一讲,我们就来训练自己的模型. 2.下载数据集 为了方便学习,我们先使用别人整理好的数据集来训练---VOC 2012数据 ...
- tensorflow精进之路(二十四)——Object Detection API目标检测(中)(COCO数据集训练的模型—ssd_mobilenet_v1_coco模型)
1.概述 上一讲简单的讲了目标检测的原理以及Tensorflow Object Detection API的安装,这一节继续讲Tensorflow Object Detection API怎么用. 2 ...
- 使用自己的数据训练MobileNet SSD v2目标检测--TensorFlow object detection
使用自己的数据训练MobileNet SSD v2目标检测--TensorFlow object detection 1. 配置 1.1 下载models-1.12.0 2. 准备数据集 3. 配置文 ...
最新文章
- SQL SERVER 查询所有数据表名称和数据行数
- SAP RETAIL 为门店代码维护Plant Group
- AI探索(二)Tensorflow环境准备
- 为什么一体化机柜会那么的受欢迎?
- centos查看mysql信息_CentOS查看和修改MySQL字符集
- 使用双栈实现一个队列
- JavaEE各种Javadoc的下载
- 小白怎么学习云计算?2020云计算学习大纲
- 【报告分享】2020直播电商分析报告-抖音VS快手.pdf(附下载链接)
- 建班子:企业需要建立什么样的班子?
- XBMC源代码分析 6:视频播放器(dvdplayer)-文件头(以ffmpeg为例)
- 实对称矩阵特征值特征向量求解算法C语言实现
- 批量将 txt 记事本文件按照固定行数拆分成单个独立的 txt 小文件
- C-C++学生成绩管理系统
- 操作系统原理,交互式系统常见的调度算法,时间片轮转RR,虚拟轮转VRR,最高优先级调度,优先级反转问题与应对
- python实现q-learning算法
- 汇编语言随笔(4)-数据段和栈段与mov,add,sub,div,mul、adc、sbb指令
- 电子元器件搜索引擎 白嫖AD原理图符号、PCB封装和3D模型(超详细)
- 编程练习——求最小公倍数
- C语言API函数大全(转载)
热门文章
- phpstudy多站点配置好后index of/ 列表无法出现的解决
- 《HTML5与CSS3实战指南》——2.5 构建The HTML5 Herald
- 借一个同事的经历,谈一谈程序员的成长
- Linux上安装jdk8
- idea(2)快捷键
- Codeforces Round #539 (Div. 2) C. Sasha and a Bit of Relax
- 加载BeanFactory
- 简述BT下载技术及其公司发展现状
- 2016 多校赛3 A 水 B 期望,规律 C 各种博弈 J 物理题,积分 K 暴力,水
- 深入解析CSS样式层叠权重值