Win10下TensorFlow object_detection API的安装配置及Demo运行

最新推荐文章于 2025-02-27 18:04:59 发布

sarsscofy

最新推荐文章于 2025-02-27 18:04:59 发布

阅读量8.8k

点赞数 14

分类专栏： tensorflow

本文链接：https://blog.youkuaiyun.com/sarsscofy/article/details/81111815

版权

tensorflow 专栏收录该内容

3 篇文章

订阅专栏

转载请说明出处，谢谢～https://blog.youkuaiyun.com/sarsscofy/article/details/81111815

I.环境及准备DATA

OS：Win10

Python环境：Python3.5

Tensorflow：0.12.0（native安装）

Tensorflow模型：models-master，下载路径：https://github.com/tensorflow/models（速度慢，可考虑翻墙）

Protobuf包：protoc-3.4.0-win32.zip ，下载路径：https://github.com/google/protobuf/releases?after=v3.4.1

II.环境配置

1.pip安装：pillow jupyter matplotlib lxml

安装前，先在cmd窗口中，用pip指令检查下当前是否已经安装上述模块：

pip list

下面会列出当前已安装的所有模块，例如下面是我的：

C:\Users\smile3>pip list
Package             Version
------------------- --------
absl-py             0.2.2
astor               0.7.1
backcall            0.1.0
bleach              2.1.3
colorama            0.3.9
cycler              0.10.0
decorator           4.3.0
entrypoints         0.2.3
gast                0.2.0
grpcio              1.13.0
html5lib            1.0.1
ipykernel           4.8.2
ipython             6.4.0
ipython-genutils    0.2.0
ipywidgets          7.2.1
jedi                0.12.1
Jinja2              2.10
......

如果没有安装，可以用如下指令安装：

pip3 --default-timeout=300 install 具体模块的名称

timout表示超时时间，如果网络不好可以考虑改个更大的数字，or翻下墙试试。。

下面以安装jupiter为例说明，安装指令：

安装成功后，会有如下提示（这个下的东西比较多，请耐心等候哈）：

（忽略掉红色的提示信息，对目前这个demo没有影响，具体影响的是什么，还没验证，有经验的XDJM麻烦帮忙指点下，谢谢）

一般情况下，如果不是native安装而是安装Anaconda的话，这些都是自动安装的，不过最好还是检查下。

2.安装配置Protobuf

1）解压下载的文件 protoc-3.4.0-win32.zip

2）找到并将 bin下 protoc.exe 文件的路径添加到系统的环境变量中（我的是：E:\protoc-3.4.0-win32\bin）

3）验证

在cmd窗口中输入protoc，如果出现类似一堆参数信息，则说明配置生效：

C:\Users\smile3>protoc
Usage: protoc [OPTION] PROTO_FILES
Parse PROTO_FILES and generate output based on the options given:
  -IPATH, --proto_path=PATH   Specify the directory in which to search for
                              imports.  May be specified multiple times;
                              directories will be searched in order.  If not
                              given, the current working directory is used.
  --version                   Show version info and exit.
  -h, --help                  Show this text and exit.
  --encode=MESSAGE_TYPE       Read a text-format message of the given type
                              from standard input and write it in binary
......

提醒一下：

新配置了环境变量后，要cmd新打开一个命令窗口，用之前打开的会无效，因为老窗口对应的环境变量也是老的。

III.object_detection API 安装

1.编译生成py文件

在cmd命令窗口中，进入model-master中的research目录下，输入指令：

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

静候一会儿，如果没有异常提示，则会发现在\models-master\research\object_detection\protos路径下多了一些py文件：

2.安装 object_detection API

1）在research目录下输入如下指令：

python object_detection/builders/model_builder_test.py

等待一会儿，如果出现“OK”则说明成功，如下图成功提示：

2）如果出现上图中“ImportError:No module named 'object_detection'”的错误，则说明缺少环境变量，可以通过如下操作解决：

如果是native安装，则：

A. 直接找到python安装目录下的site-packages文件夹，例如我的是(具体的要结合自己的实际情况配置)：

C:\Users\smile3(系统用户名)\AppData\Local\Programs\Python\Python35\Lib\site-packages

B. 创建.pth文件，文件名随意，例如我的是：tensorflow_path.pth。

C. 文件内容为本地models-master文件下research目录、以及 reserach下slim的路径，例如：

# 要换成自己的目录，下面是我的目录
I:\tensorflow\models-master\research 
I:\tensorflow\models-master\research\slim

如果是Anaconda安装，则在\Anaconda\Lib\site-packages 这个文件夹目录下，写一个.pth文件，内容同上。

配置好了后，再按照“2.安装 object_detection API”操作一遍就OK了。

IV.Demo测试

网上好多用“jupyter-notebook”调试的教程，我这里就不详细介绍了，还是直接用Python文件，方便项目借鉴。

1.创建文件

文件名：随意，我的是：object_detect_demo.py

编码格式：UTF-8，一定要注意！

存放路径：\models-master\research\object_detection

2.根据官方Demo修改，具体文件内容如下：

#一定要保存为UTF8的格式哦
import numpy as np
import os
import six.moves.urllib as urllib
import sys
import tarfile
import tensorflow as tf
import zipfile
import matplotlib
import cv2

# Matplotlib chooses Xwindows backend by default.
matplotlib.use('Agg')

from collections import defaultdict
from io import StringIO
from matplotlib import pyplot as plt
from PIL import Image
from utils import label_map_util
from utils import visualization_utils as vis_util


##################### Download Model，如果本地已下载也可修改成本地路径
# What model to download.
MODEL_NAME = 'ssd_mobilenet_v1_coco_11_06_2017'
MODEL_FILE = MODEL_NAME + '.tar.gz'
DOWNLOAD_BASE = 'http://download.tensorflow.org/models/object_detection/'

# Path to frozen detection graph. This is the actual model that is used for the object detection.
PATH_TO_CKPT = MODEL_NAME + '/frozen_inference_graph.pb'

# List of the strings that is used to add correct label for each box.
PATH_TO_LABELS = os.path.join('data', 'mscoco_label_map.pbtxt')

NUM_CLASSES = 90

# Download model if not already downloaded
if not os.path.exists(PATH_TO_CKPT):
    print('Downloading model... (This may take over 5 minutes)')
    opener = urllib.request.URLopener()
    opener.retrieve(DOWNLOAD_BASE + MODEL_FILE, MODEL_FILE)
    print('Extracting...')
    tar_file = tarfile.open(MODEL_FILE)
    for file in tar_file.getmembers():
        file_name = os.path.basename(file.name)
        if 'frozen_inference_graph.pb' in file_name:
            tar_file.extract(file, os.getcwd())
else:
    print('Model already downloaded.')

##################### Load a (frozen) Tensorflow model into memory.
print('Loading model...')
detection_graph = tf.Graph()

with detection_graph.as_default():
    od_graph_def = tf.GraphDef()
    with tf.gfile.GFile(PATH_TO_CKPT, 'rb') as fid:
        serialized_graph = fid.read()
        od_graph_def.ParseFromString(serialized_graph)
        tf.import_graph_def(od_graph_def, name='')

##################### Loading label map
print('Loading label map...')
label_map = label_map_util.load_labelmap(PATH_TO_LABELS)
categories = label_map_util.convert_label_map_to_categories(label_map, max_num_classes=NUM_CLASSES, use_display_name=True)
category_index = label_map_util.create_category_index(categories)

##################### Helper code
def load_image_into_numpy_array(image):
  (im_width, im_height) = image.size
  return np.array(image.getdata()).reshape(
      (im_height, im_width, 3)).astype(np.uint8)

##################### Detection
# 测试图片的路径，可以根据自己的实际情况修改
TEST_IMAGE_PATH = 'test_images/image1.jpg'

# Size, in inches, of the output images.
IMAGE_SIZE = (12, 8)

print('Detecting...')
with detection_graph.as_default():
  with tf.Session(graph=detection_graph) as sess:
    print(TEST_IMAGE_PATH)
    image = Image.open(TEST_IMAGE_PATH)
    image_np = load_image_into_numpy_array(image)
    image_np_expanded = np.expand_dims(image_np, axis=0)
    image_tensor = detection_graph.get_tensor_by_name('image_tensor:0')
    boxes = detection_graph.get_tensor_by_name('detection_boxes:0')
    scores = detection_graph.get_tensor_by_name('detection_scores:0')
    classes = detection_graph.get_tensor_by_name('detection_classes:0')
    num_detections = detection_graph.get_tensor_by_name('num_detections:0')
    # Actual detection.
    (boxes, scores, classes, num_detections) = sess.run(
        [boxes, scores, classes, num_detections],
        feed_dict={image_tensor: image_np_expanded})

    # Visualization of the results of a detection.
    vis_util.visualize_boxes_and_labels_on_image_array(
        image_np,
        np.squeeze(boxes),
        np.squeeze(classes).astype(np.int32),
        np.squeeze(scores),
        category_index,
        use_normalized_coordinates=True,
        line_thickness=8)
    print(TEST_IMAGE_PATH.split('.')[0]+'_labeled.jpg')
    plt.figure(figsize=IMAGE_SIZE, dpi=300)
    # 不知道为什么，在我的机器上没显示出图片，有知道的朋友指点下，谢谢
    plt.imshow(image_np)
    # 保存标记图片
    plt.savefig(TEST_IMAGE_PATH.split('.')[0] + '_labeled.jpg')

3.运行及结果

在命令窗口中进入文件的存放目录，然后用python指令运行：

I:\tensorflow\models-master\research\object_detection>python object_detect_demo.py

结果存放在\models-master\research\object_detection\test_images 目录下，如果没有修改个路径的话。

识别结果如下：

这个结果并没有官方提供的识别图片精确，可能是跟机器和运行的模型的有关。

V.FAQ

想起来再加。。。

VI.参考资料

网上的很多XDJM帮助我跑通了这个Demo，非常感谢：

https://blog.youkuaiyun.com/zlase/article/details/78734138

http://rensanning.iteye.com/blog/2381885

https://www.jianshu.com/p/21bae50b6e0d

https://blog.youkuaiyun.com/c20081052/article/details/77608954

……

转载请说明出处，谢谢～https://blog.youkuaiyun.com/sarsscofy/article/details/81111815