object_detection物体检测开源框架使用及性能评估（二）

扫描二维码关注公众号，回复： 8523590 查看本文章

第二章 object_detection开源框架使用案例入门

本章基于现成标注好的数据集，此处是一个动物检测的数据集。

2.1 下载数据集

创建目录：
/home/users/py3_project/models/research/object_detection/train_pets
1 下载图片+标注数据集

# wget http://www.robots.ox.ac.uk/~vgg/data/pets/data/images.tar.gz
# wget http://www.robots.ox.ac.uk/~vgg/data/pets/data/annotations.tar.gz

2 解压

# tar -xvf images.tar.gz
# tar -xvf annotations.tar.gz

2.2 转换数据集为tf_record格式

备注：下面的TFODHOME是配置好的环境变量，因为路径太长，在此只为方便操作
TFODHOME=/home/users/py3_project/models/research/object_detection
并执行以下命令

# python3 $TFODHOME/dataset_tools/create_pet_tf_record.py \
    --label_map_path=$TFODHOME/data/pet_label_map.pbtxt \
    --data_dir=$TFODHOME/train_pets \
    --output_dir=$TFODHOME/train_pets/image_tfrecord

执行结果如下：
在这里插入图片描述

2.3 下载预训练模型

# wget http://download.tensorflow.org/models/object_detection/ssd_mobilenet_v1_coco_11_06_2017.tar.gz
 
# tar -xvf ssd_mobilenet_v1_coco_11_06_2017.tar.gz

将解压好的预训练模型目录重命名为model_ssd，存入train_pets目录下。

2.4 修改相关配置文件

1 修改配置文件：object_detection/samples/configs/ssd_mobilenet_v1_pets.config

修改类别数

在这里插入图片描述

修改预训练模型路径

fine_tune_checkpoint: “/home/users/py3_project/models/research/object_detection/train_pets/model_ssd/model.ckpt”

修改输入训练数据配置信息

train_input_reader: {
tf_record_input_reader {
input_path: “/home/users/py3_project/models/research/object_detection/train_pets/image_tfrecord/pet_train.record”
}
label_map_path: “/home/users/py3_project/models/research/object_detection/train_pets/pet_label_map.pbtxt”
}

修改预测数据配置信息

eval_input_reader: {
tf_record_input_reader {
input_path: “/home/users/py3_project/models/research/object_detection/train_pets/image_tfrecord/pet_val.record”
}
label_map_path: “/home/users/py3_project/models/research/object_detection/train_pets/pet_label_map.pbtxt”
shuffle: false
num_readers: 1
}
将 object_detection/samples/configs/ssd_mobilenet_v1_pets.config 拷贝到 $TFODHOME/train_pets/路径
将 object_detection/data/pet_label_map.pbtxt 拷贝到 $TFODHOME/train_pets/路径

2.5 进行模型训练

# python3 $TFODHOME/train.py \
    --logtostderr \
    --pipeline_config_path=$TFODHOME/train_pets/ssd_mobilenet_v1_pets.config \
--train_dir=$TFODHOME/train_pets/train_dir

在这里插入图片描述

2.6 模型预测与检测

# mkdir $TFODHOME/train_pets/eval_result
# python3 $TFODHOME/eval.py \
    --logtostderr \
    --pipeline_config_path=$TFODHOME/train_pets/ssd_mobilenet_v1_pets.config \
    --checkpoint_dir=$TFODHOME/train_pets/train_dir \
    --eval_dir=$TFODHOME/train_pets/eval_result

2.7 转换为图文件

将model.chk文件转换为graph

# python3 $TFODHOME/export_inference_graph.py \
	--input_type=image_tensor \
    --pipeline_config_path=$TFODHOME/train_pets/ssd_mobilenet_v1_pets.config \
	--trained_checkpoint_prefix=$TFODHOME/train_pets/train_dir/model.ckpt-200001 \
	--output_directory=$TFODHOME/train_pets/inference_graph