使用Object Detection API训练

最新推荐文章于 2023-08-15 02:59:31 发布

TifaBest

最新推荐文章于 2023-08-15 02:59:31 发布

阅读量602

点赞数

分类专栏：记录文章标签：深度学习

本文链接：https://blog.youkuaiyun.com/Tifa_Best/article/details/90146581

版权

记录专栏收录该内容

12 篇文章

订阅专栏

使用Object Detection API训练

准备工作

Running Locally中提到准备工作大致有三个：

安装Tensorflow Object Detection API
数据集
Object Detection pipeline设置文件

安装Tensorflow Object Detection API

没啥说的,看官网教程Installation

数据集

可以按照Preparing Inputs来准备TFRecord格式的数据集。

当然也可以使用models/research/object_detection/dataset_tools/下的脚本将常见的数据集创建成TFRecord格式的。其中常用的有create_pascal_tf_record.py，就是将安装PASCAL VOC组织的数据转换为TFRecord格式。在使用时,代码其中的’aeroplane_’ + 多余,删去即可。

Object Detection pipeline设置文件

将object_detection/samples/configs/对应的config文件拷贝一份，然后根据实际情况修改。

num_classes:修改为自己的classes num
将所有PATH_TO_BE_CONFIGURED的地方修改为自己之前设置的路径（共5处）
batch_size根据情况修改，初始设置可能会导致内存不够用。

训练

legacy

train.py和eval.py被移到legacy文件下了。

python object_detection/legacy/train.py \
    --logtostderr \
    --pipeline_config_path=${PIPELINE_CONFIG_PATH} \
    --train_dir=${TRAIN_DIR}

python object_detection/legacy/eval.py \
    --logtostderr \
    --checkpoint_dir=${TRAIN_DIR} \
    --eval_dir=${EVAL_DIR} \
    --pipeline_config_path=${PIPELINE_CONFIG_PATH}

如果报关于unicode的错，将object_detection\utils\object_detection_evaluation.py下的category_name = unicode(category_name, ‘utf-8’)修改为category_name = str(category_name)

recommend

model_main.py将train和eval结合在一块，官方推荐使用。

python object_detection/legacy/eval.py \
    --logtostderr \
    --checkpoint_dir=${TRAIN_DIR} \
    --eval_dir=${EVAL_DIR} \
    --pipeline_config_path=${PIPELINE_CONFIG_PATH}

添加 tf.logging.set_verbosity(tf.logging.INFO) 到model_main.py 的 import 区域之后，会每隔一百个step输出loss，总比没有好，至少它让你知道它在跑。
如果是python3训练，添加list() 到 model_lib.py的大概390行 category_index.values()变成： list(category_index.values())，否则会有 can’t pickle dict_values ERROR出现
还有一个问题是，用model_main.py 训练时，因为它把老版本的train.py和eval.py集合到了一起，所以制定eval num时指定不好会有warning出现，就像：

导出模型

export INPUT_TYPE=image_tensor
python object_detection/export_inference_graph.py \
    --input_type=${INPUT_TYPE} \
    --pipeline_config_path=${PIPELINE_CONFIG_PATH} \
    --trained_checkpoint_prefix=${TRAIN_DIR}/`head -n 1  ${TRAIN_DIR}/checkpoint | grep -o -E '\".+\"' | sed s/\"//g` \
    --output_directory=${EXPORT_DIR}