使用object detection训练并识别自己的模型

1.安装tensorflow(version>=1.4.0)

2.部署tensorflow models
　　- 在这里下载
　　- 解压并安装
　　　　- 解压后重命名为models复制到tensorflow/目录下
　　　　- 在linux下
　　　　　　- 进入tensorflow/models/research/目录，运行protoc object_detection/protos/*.proto --python_out=.
　　　　　　- 在~/.bashrc file.中添加slim和models/research路径
　　　　　　export PYTHONPATH=$PYTHONPATH:/path/to/slim:/path/to/research
　　　　- 在windows下
　　　　　　- 下载protoc-3.3.0-win32.zip(version==3.3,已知3.5版本会报错)
　　　　　　- 解压后将protoc.exe放入C:\Windows下
　　　　　　- 在tensorflow/models/research/打开powershell，运行protoc object_detection/protos/*.proto --python_out=.

3.训练数据准备(标记分类的图片)
　　- 安装labelImg 用来手动标注图片，图片需要是png或者jpg格式
　　- 标注信息会被保存为xml文件，使用这个脚本将所有xml文件转换为一个csv文件（xml文件路径识别在29行，根据情况自己修改）
　　- 把生成的csv文件分成训练集和测试集

4.生成TFRecord文件
　　- 使用这个脚本将两个csv文件生成出两个TFRecord文件（训练自己的模型，必须使用TFRecord格式文件。图片路径识别在86行，根据情况自己修改）

5.创建label map文件
　　id需要从1开始，class-N便是自己需要识别的物体类别名，文件后缀为.pbtxt
　　　　item{
　　　　　　id:1
　　　　　　name: 'class-1'
　　　　　　}
　　　　item{
　　　　　　id:2
　　　　　　name: 'class-2'
　　　　　　}

6.下载模型并配置文件
　　- 下载一个模型（文件后缀.tar.gz）
　　- 修改对应的训练pipline配置文件
　　　　- 查找文件中的PATH_TO_BE_CONFIGURED字段，并做相应修改
　　　　　　- num_classes 改为你模型中包含类别的数量
　　　　　　- fine_tune_checkpoint 解压.tar.gz文件后的路径 + /model.ckpt
　　　　　　- from_detection_checkpoint:true
　　　　　　- train_input_reader
　　　　　　　　- input_path 由train.csv生成的record格式训练数据
　　　　　　　　- label_map_path 第5步创建的pbtxt文件路径
　　　　　　- eval_input_reader
　　　　　　　　- input_path 由test.csv生成的record格式训练数据
　　　　　　　　- label_map_path 第5步创建的pbtxt文件路径

7. 训练模型
　　- 进入tensorflow/models/research/目录，运行
　　python object_detection/train.py --logtostderr --pipeline_config_path=${PATH_TO_YOUR_PIPELINE_CONFIG} //第六步中修改的pipline配置文件路径// --train_dir=${PATH_TO_TRAIN_DIR} //生成的模型保存路径//

8.导出模型
　　- 在第7步中，--train_dir指向的路径中会生成一系列训练中自动保存的checkpoint，一个checkpoint由三个文件组成，后缀分别是.data-00000-of-00001 .index和.meta，任然在第7步的路径中，运行
　　　　python object_detection/export_inference_graph.py \

--input_type image_tensor \

--pipeline_config_path ${PIPELINE_CONFIG_PATH} //第六步中修改的pipline配置文件路径\--trained_checkpoint_prefix ${TRAIN_PATH} //上述的一个checkpoint，例如model.ckpt-112254 \ --output_directory ${OUTPUT_PATH} //输出模型文件的路径//

9.使用新模型识别图片
　　调用predict.py

首先导入包

import time
import cv2
import numpy as np
import tensorflow as tf
import pandas as pd
import math
import osfrom object_detection.utils import label_map_util
from object_detection.utils import visualization_utils as vis_util

然后定义类和函数

class TOD(object):def __init__(self):self.PATH_TO_CKPT = r'D:/xiangchuang/new_train_model/result/frozen_inference_graph.pb'self.PATH_TO_LABELS = r'D:/xiangchuang/pig.pbtxt'self.NUM_CLASSES = 1self.detection_graph = self._load_model()self.category_index = self._load_label_map()def _load_model(self):global detection_graphdetection_graph = tf.Graph()with detection_graph.as_default():od_graph_def = tf.GraphDef()with tf.gfile.GFile(self.PATH_TO_CKPT, 'rb') as fid:serialized_graph = fid.read()od_graph_def.ParseFromString(serialized_graph)tf.import_graph_def(od_graph_def, name='')return detection_graphdef _load_label_map(self):label_map = label_map_util.load_labelmap(self.PATH_TO_LABELS)categories = label_map_util.convert_label_map_to_categories(label_map,max_num_classes=self.NUM_CLASSES,use_display_name=True)category_index = label_map_util.create_category_index(categories)return category_indexdef detect(self, image):image_np_expanded = np.expand_dims(image, axis=0)image_tensor = self.detection_graph.get_tensor_by_name('image_tensor:0')boxes = self.detection_graph.get_tensor_by_name('detection_boxes:0')scores = self.detection_graph.get_tensor_by_name('detection_scores:0')classes = self.detection_graph.get_tensor_by_name('detection_classes:0')num_detections = self.detection_graph.get_tensor_by_name('num_detections:0')# Actual detection.(boxes, scores, classes, num_detections) = sess.run([boxes, scores, classes, num_detections],feed_dict={image_tensor: image_np_expanded})# Visualization of the results of a detection.vis_util.visualize_boxes_and_labels_on_image_array(image,np.squeeze(boxes),np.squeeze(classes).astype(np.int32),np.squeeze(scores),self.category_index,use_normalized_coordinates=True,line_thickness=8)cv2.namedWindow("detection", cv2.WINDOW_NORMAL)cv2.imshow("detection", image)cv2.waitKey(1)

最后执行

if __name__ == '__main__':detector = TOD()with detection_graph.as_default():with tf.Session(graph=detection_graph) as sess:cap = cv2.VideoCapture(r'Your Vedio Path')n = 1success = Truewhile  (success) :success, frame = cap.read()t1=time.clock()print('正在预测第%d张' % n)n = n + 1if success == True:detector.detect(frame)t2=time.clock()t = t2-t1print('cost time %f s'%t)cv2.destroyAllWindows()

即可以实现基于视频的目标目标检测

参考文档

https://gist.github.com/douglasrizzo/c70e186678f126f1b9005ca83d8bd2ce
https://towardsdatascience.com/how-to-train-your-own-object-detector-with-tensorflows-object-detector-api-bec72ecfe1d9

使用object detection训练并识别自己的模型相关推荐

win下使用TensorFlow object detection训练自己模型
win下使用TensorFlow object detection训练自己模型 1. 环境 2.xml生成csv文件,再生成record文件 2.1 对训练文件和测试文件都使用以下两个文件分别生成自己 ...
人工智能python3+tensorflow人脸识别_机器学习tensorflow object detection 实现人脸识别...
object detection是Tensorflow很常用的api,功能强大,很有想象空间,人脸识别,花草识别,物品识别等.下面是我做实验的全过程,使用自己收集的胡歌图片,实现人脸识别,找出胡歌. ...
object detection训练自己数据
1.用labelImg标自己数据集. 并将图片存放在JPEGImages中,xml存放在Annotations中 2.分离训练和测试数据 import os import randomtrainval ...
Object Detection+目标检测概述及其常见模型总结
概述普通的深度学习监督算法主要是用来做分类,如图1(1)所示,分类的目标是要识别出图中所示是一只猫.而在ILSVRC(ImageNet Large Scale Visual Recognition ...
使用tensorflow object detection api训练自己的数据集
简介使用tensorflow object detection训练自己的数据集时,可能会出现 AttributeError: module 'tensorflow.contrib.data' has ...
Object Detection in 20 Years A Survey 论文阅读笔记
文章链接:https://arxiv.org/pdf/1905.05055.pdf 1.Introduction 作为计算机视觉的基本问题之一,目标检测构成了许多其他计算机视觉任务的基础,例如实例分割 ...
TensorFlow 2 Object Detection API 教程: 安装
TensorFlow 2 Object Detection API 教程: 安装本教程针对的是TensorFlow 2.4,它是TensorFlow 2.x的最新稳定版本. 这是一个循序渐进的教程/ ...
Implicit 3D Orientation Learning for 6D Object Detection from RGB Images
从RGB图像中进行6D目标检测的隐式三维方向学习论文是我自己翻译的,限于本人的水平,不到之处请多包涵摘要:我们提出了一种基于RGB的实时管道[1],用于物体检测和6D姿态估计.我们新颖的3D方向估 ...
TPH-YOLOv5: Improved YOLOv5 Based on Transformer Prediction Head for Object Detection on Drone-captu
TPH-YOLOv5 文章目录 TPH-YOLOv5 参考 Introduciton Structure CSPDarknet53 Transformer CBAM Ms-testing and mo ...

使用object detection训练并识别自己的模型

使用object detection训练并识别自己的模型相关推荐

最新文章

热门文章