利用Tensorflow-slim Finetuning分类网流程及C++预测

安装tensorflow及TF-slim库
https://github.com/tensorflow/tensorflow
https://github.com/tensorflow/models/tree/master/research/slim
将自己的训练数据转换成TF-records
切换到TF-slim（tensorflow/models/research/slim）库目录下
- 数据准备：将每一类数据置于一个单独的文件夹下，并将所有文件置于同一个根目录下
  如：
  - MyDatasetDir
  - Positive
    - pos-1.jpg
    - pos-2.jpg
  - Negtive
    - neg-1.jpg
    - neg-2.jpg
- 仿照download_and_convert_flowers.py脚本写一个转换脚本如下：
```
</home/wz/DeepLearning/tensorflow_working_dir/models/research/slim/datasets/convert_own_classification_data.py>
 </home/wz/DeepLearning/tensorflow_working_dir/models/research/slim/convert_image_data_to_tfrecords.py>
```
- 仿照flowers.py定义自己的数据集类并将之添加到dataset_factory中
```
</home/wz/DeepLearning/tensorflow_working_dir/models/research/slim/datasets/flowers.py>
</home/wz/DeepLearning/tensorflow_working_dir/models/research/slim/datasets/dataset_factory.py>
```
- 执行转换脚本
  
  python convert_image_data_to_tfrecords.py --dataset_dir='图像存放根目录' --tfrecords_saving_dir='TF-records存放路径' dataset_name="MY_OWN_DATA"
- 将在目标路径下生成对应的tfrecord格式文件，包括trainset，validationset和label.txt
执行finetuning脚本进行训练
DATASET_DIR=/home/wz/Desktop/safety_belt/tf_records_merged
TRAIN_DIR=/home/wz/Desktop/safety_belt/inception_resnet_vs
CHECKPOINT_PATH=/home/wz/Desktop/safety_belt/inception_resnet_vs/inception_v3.ckptpython

train_image_classifier.py \ --train_dir= ${TRAIN_DIR} \ --dataset_dir=${DATASET_DIR} \ --dataset_name=safety_belt \ --dataset_split_name=train \ --model_name=inception_v3 \ --checkpoint_path=${CHECKPOINT_PATH} \ --checkpoint_exclude_scopes=InceptionV3/Logits,InceptionV3/AuxLogits \ --trainable_scopes=InceptionV3/Logits,InceptionV3/AuxLogits

注意：最后的trainable_scopes可以指定需要进行训练的层，上述脚本只是训练了新更改的层，要训练所有的层，只需更改为trainable_scopes=InceptionV3/
合并参数文件和模型文件到一个pb文件
- 生成模型文件
  export_inference_graph.py脚本提供了转换slim-nets中定义的模型到文件的功能，但是它只提供了示例的数据集如mnist、imagenet等，要做简单的修改，适应自己的模型类别，只需更改模型初始化的类别数目即可。
  
  python export_inference_graph.py --model_name=inception_v3
- 整合文件
  脚本工具位于tensorflow/python/tools/freeze_graph.py
  
  freeze_graph.py --input_graph=/home/wz/inception_v3_graph.pb --input_binary=True --input_checkpoint=/home/wz/Desktop/safety_belt/inception_resnet_vs/model.ckpt-1960 --output_graph=/home/wz/nn_model_frozen.pb --output_node_names=InceptionV3/Predictions/Reshape_1
利用C++调用整合后的pb文件并预测输出
TODO: VPN挂了，等网好了，装好bazel就开干！！！！！！！！！！！！！！！!
shit, 原来bazel安装无需VPN，步骤如下, 参照https://docs.bazel.build/versions/master/install-ubuntu.html：

安装openjdk-8-jdk(ubuntu14.04)
```
sudo add-apt-repository ppa:webupd8team/java
sudo apt-get update && sudo apt-get install oracle-java8-installer
如果是16.04, 则直接
sudo apt-get install openjdk-8-jdk
```
安装bazel，这一步按照上面链接给的方法需要翻墙，提供一种不需要翻墙的方法
https://github.com/bazelbuild/bazel/releases
<ul><li>sudo apt-get install pkg-config zip g++ zlib1g-dev unzip python</li> <li>从上述地址下载二进制安装文件，并运行安装。注意，前提是第一步的jdk安装成功，否则，运行脚本也会失败的。安装命令为 chmod +x bazel-0.7.1-installer-linux-x86_64 sh ./bazel-0.7.1-installer-linux-x86_64.sh --user</li> <li>设置环境变量 gedit ~/.bashrc 文件末尾加入一行：export PATH="$PATH:$HOME/bin"
—
编译并进行图片预测的测试

bazel build tensorflow/examples/label_image:label_image
bazel-bin/tensorflow/examples/label_image/label_image \
  --image=${HOME}/Pictures/flowers.jpg \
  --input_layer=input \
  --output_layer=InceptionV3/Predictions/Reshape_1 \
  --graph=/tmp/frozen_inception_v3.pb \
  --labels=/tmp/imagenet_slim_labels.txt \
  --input_mean=0 \
  --input_std=255

TODO, 将检测网的预测改成C++

利用Tensorflow-slim Finetuning分类网流程及C++预测

猜你喜欢