Tensorflow object detection api使用(1)

发表于 | 分类于

1. 数据集制作(这个一个人做了就通用的了，可跳过)

1.1 数据集按照VOC格式放置

比如我创建一个VOC2007的数据，首先创建一个VOC2007的文件夹

  • 建立Annotations文件夹 -> 将xml文件全部放到该文件夹里

  • 建立ImageSets文件夹 在ImageSets文件夹下再建立Main文件夹，生成四个txt文件，test.txt是测试集，train.txt是训练集，val.txt是验证集，trainval.txt是训练和验证集。txt里的内容是即图片名字（无后缀）。

  • 建立JPEGImages文件夹 -> 所有的训练图片放到该文件夹里(JPG格式)

1.2 一些必要的安装包(lxml等)和编译

protoc object_detection/protos/*.proto --python_out=.

如有编译失败，参考链接

1.3 建立pbtxt，也就是你的类

可以去object_detection/data目录下去找一个修改 这里因为是使用的是VOC，所以复制一个pascal_label_map.pbtxt修改

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
item {
  id: 1
  name: 'cloud'
}
item {
  id: 2
  name: 'hair'
}
item {
  id: 3
  name: 'cloth'
}
item {
  id: 4
  name: 'flower'
}

1.4 修改dataset_tools/create_pascal_tf_record.py文件

  • pbtxt路径修改 
    1
    2
    3
    #flags.DEFINE_string('label_map_path', 'data/pascal_label_map.pbtxt',
#                    'Path to label map proto')
flags.DEFINE_string('label_map_path', '/mnt/data2/caodai/VOC2007/pascal_label_map.pbtxt',                                'Path to label map proto')

  • 1
    2
    #img_path = os.path.join(data['folder'], image_subdirectory, data['filename'])
img_path = os.path.join(FLAGS.year, image_subdirectory, data['filename'])

  • 1
    2
    3
    4
    #examples_path = os.path.join(data_dir, year, 'ImageSets', 'Main',
#                            'aeroplane_' + FLAGS.set + '.txt')
examples_path = os.path.join(data_dir, year, 'ImageSets', 'Main',
                             FLAGS.set + '.txt')

1.4 生成数据集

1
2
3
4
python object_detection/dataset_tools/create_pascal_tf_record.py \
  --data_dir=/mnt/data2/caodai \ ##刚刚建立的VOC2007文件夹的路径
  --year=VOC2007 \ ##定义的就是VOC2007
  --output_path=/mnt/data2/caodai/VOC2007/train.record ## 数据集保存路径

2. 训练

2.1 下载config文件对应的ckpt

官方model zoo

解压后的里面有ckpt，还有个pipline.config（这个和object_detection/samples/configs对应的config文件是一样的，也可以直接修改这里的config），model的ckpt路径就是上面 config 问题 fine_tune_checkpoint后面要修改的路径

2.2 修改config文件

config文件路径 object_detection/samples/configs

复制一份修改，ssd_mobilenet_v1_coco.config 前面ssd是算法，mobilenet_v1是提取特征框架，coco是代表是在coco数据上训练的模型

然后将PATH_TO_BE_CONFIGURED换成实际的路径，num_classes换成所需要的类

其它参数也可以调整，后面看自己需求。

2.3 安装一些包和插件

安装pycocotools

1
pip install git+https://github.com/philferriere/cocoapi.git#subdirectory=PythonAPI

将库加入到pythonpath

1
2
3
4
# 在 models/research/ 目录下运行
export PYTHONPATH=$PYTHONPATH:`pwd`:`pwd`/slim
或者写在.bashrc里面，用绝对路径
export PYTHONPATH=$PYTHONPATH:/mnt/data1/newhome/caodai/models/research:/mnt/data1/newhome/caodai/models/research/slim

2.4 运行

1
2
3
4
5
6
7
CUDA_VISIBLE_DEVICES=0 \
python object_detection/model_main.py \
    --pipeline_config_path=/mnt/data2/caodai/VOC2007/ssd_mobilenet_v1_coco.config \
    --model_dir=/mnt/data2/caodai/VOC2007/modelss \
    --num_train_steps=10000 \
    --sample_1_of_n_eval_examples=1 \
    --alsologtostderr