【TensorFlow学习二】Object Detection API的安装与使用

最新推荐文章于 2025-06-12 09:10:23 发布

原创最新推荐文章于 2025-06-12 09:10:23 发布 · 1.9k 阅读

5 ·

CC 4.0 BY-SA版权

文章标签：

#TensorFlow

TensorFlow 专栏收录该内容

5 篇文章

订阅专栏

本文详细介绍了TensorFlow Object Detection API的安装步骤，包括环境搭建、依赖包安装及COCO API的集成。此外，还讲解了如何导出pb模型文件，进行网络裁剪，并将模型转化为TensorFlow Lite格式，以便于在移动端设备上运行。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

一. Object Detection API的安装

参考链接：Installation

按以下命令依次安装：

git clone https://github.com/tensorflow/models.git

conda create -n tf=1.12 python=3.6
conda activate tf=1.12


# -------------------------------------------------
# For CPU
pip install tensorflow
# For GPU
pip install tensorflow-gpu==1.12


# -------------------------------------------------
sudo apt-get install protobuf-compiler python-pil python-lxml python-tk
pip install --user Cython
pip install --user contextlib2
pip install --user pillow
pip install --user lxml
pip install --user jupyter
pip install --user matplotlib


# -------------------------------------------------
# COCO API installation
git clone https://github.com/cocodataset/cocoapi.git
cd cocoapi/PythonAPI
make
cp -r pycocotools <path_to_tensorflow>/models/research/


# -------------------------------------------------
# From tensorflow/models/research/
protoc object_detection/protos/*.proto --python_out=.


# -------------------------------------------------
# Add Libraries to PYTHONPATH
sudo vim ~/.bashrc

export PYTHONPATH=$PYTHONPATH:/data2/zzw/Tensorflow-test/models/research/slim

source ~/.bashrc


# -------------------------------------------------
python setup.py build
python setup.py install


# -------------------------------------------------
# Testing the Installation
python object_detection/builders/model_builder_test.py

................
----------------------------------------------------------------------
Ran 16 tests in 0.112s

OK

二. Object Detection API的使用

1. 导出pb模型文件

cd models/research/object_detection/


export CONFIG_FILE=ssd_mobilenet_v1_coco_2018_01_28/pipeline.config
export CHECKPOINT_PATH=ssd_mobilenet_v1_coco_2018_01_28/model.ckpt 
export OUTPUT_DIR=output

python object_detection/export_tflite_ssd_graph.py   \
        --pipeline_config_path=$CONFIG_FILE          \
        --trained_checkpoint_prefix=$CHECKPOINT_PATH \
        --output_directory=$OUTPUT_DIR               \
        --add_postprocessing_op=false

其中CONFIG_FILE为训练MSSD时候的配置文件，CHECKPOINT_PATH为训练产生的中间ckpt文件，OUTPUT_DIR为导出的pb文件所在的文件夹目录，add_postprocessing_op这里需要设置成false（MNN中不支持Postprocessing的处理，我们会在MNN做完一次前向传播后，在CPU端去做Postprocessing处理，实际上就是decoding和NMS）。

我们可以修改pipeline.config中的num_classes和height, width参数：

model {
  ssd {
    num_classes: 90
    image_resizer {
      fixed_shape_resizer {
        height: 300
        width: 300
      }
    }

最终，在output文件夹中生成tflite_graph.pb和tflite_graph.pbtxt.

2. 网络裁剪

首先需要源码编译tensorflow=1.12.0，然后

cd tensorflow


export OUTPUT_DIR=output

bazel run --config=opt tensorflow/lite/toco:toco -- \
--input_file=$OUTPUT_DIR/tflite_graph.pb            \
--output_file=$OUTPUT_DIR/detect.tflite             \
--input_shapes=1,300,300,3                          \
--input_arrays=normalized_input_image_tensor        \
--output_arrays='concat','concat_1'                 \
--inference_type=FLOAT                              \
--change_concat_input_ranges=false

Tensorflow的Object detection api导出PostProcessing之前的Node，即concat和concat_1，后处理可以从device取出结果后，在cpu端进行postprocessing。

最终，在output文件夹中生成detect.tflite，可移植至安卓客户端。

参考链接：使用TensorFlow Lite将ssd_mobilenet移植至安卓客户端

　　　　　Exporting a trained model for inference

　　　　　Running on mobile with TensorFlow Lite