Tensorflow Object Detection API使用

一、安装 Tensorflow 及 Object Detection API

1.安装Tensorflow

TensorFlow中文社区文档：Tensorflow安装。

2.安装Object Detection API

参考Github上，TensorFlow

models/research/object_detection

里的安装教程。

添加库的路径到PYTHONPATH，使用编辑器如gedit打开

~/.bashrc

文件，将以下命令添加到一个新行。其中

pwd

代表

models/research

的路径，可去掉`符号，然后在终端

bash

一下。

# From tensorflow/models/research/
export PYTHONPATH=$PYTHONPATH:`pwd`:`pwd`/slim

注：pip install 如果是用sudo，则安装系统默认python下的包，如果TensorFlow是安装在其他python下（如miniconda），则不加sudo。

二、使用 Oxford-IIIT Pet 数据集进行测试

1.下载解压数据集，并将其转换为TFRecords

参考Github上，TensorFlow

models/research/object_detection

里的说明文档。

Pet数据集里有部分图片损毁，应该删除掉，否则会在运行eval.py时报以下错误：

Corrupt JPEG data: 240 extraneous bytes before marker 0xd9

。参考文档可知，

egyptian_mau_14, 139, 145, 156, 167, 177, 186, 191; abyssinian_5, 34; chihuahua_121; beagle_116

为损坏的文件，应删去对应的

.jpg; .xmls;

以及

list.txt、test.txt、trainval.txt

里对应的行。

2.下载用于迁移学习的预训练模型

在Tensorflow Detection Model Zoo里下载 COCO-pretrained SSD with MobileNet model,存放在

models/research

文件夹中，并解压。

tar -xvf ssd_mobilenet_v1_coco_2017_11_17.tar.gz

3.配置对象检测管道

参考文档

在 Tensorflow object detection API 里，配置文件定义了模型参数、训练参数等参数，文件为

object_detection/protos/pipeline.proto

。在此实验中，采用一些预定义模板，选择在

object_detection/samples/configs

文件夹中的模板，此处采用

ssd_mobilenet_v1_pets.config

作为而配置管道的起点。如果不采用预定义模板配置管道，参考Configuring the Object Detection Training Pipeline。

在

ssd_mobilenet_v1_pets.config

文件中，修改

fine_tune_checkpoint

、

input_path

和

label_map_path

路径。

fine_tune_checkpoint

应该提供一个已存在的checkpoint路 ，在下载的预训练模型的文件中包含有

model.ckpt.data-00000-of-00001, model.ckpt.index, model.ckpt.meta

，比如

fine_tune_checkpoint

的路径可设置为

/home/cyj/Project/models/research/ssd_mobilenet_v1_coco_2017_11_17/model.ckpt

。

4.运行

运行训练程序

# From the tensorflow/models/research/ directory
python object_detection/train.py \
--logtostderr \
--pipeline_config_path=${PATH_TO_YOUR_PIPELINE_CONFIG} \
--train_dir=${PATH_TO_TRAIN_DIR} \

${PATH_TO_YOUR_PIPELINE_CONFIG}

指向管道训练文件，如

/home/cyj/Project/models/research/object_detection/samples/configs/ssd_mobilenet_v1_pets.config

，

${PATH_TO_TRAIN_DIR}

定义训练事件写入路径，先新建相关

train

文件夹，如

/home/cyj/Project/models/research/train

，

output_inference_graph.pb

为导出的训练的模型。



TensorFlow 模型保存参考文档。

运行测试程序

# From the tensorflow/models/research/ directory
python object_detection/eval.py \
--logtostderr \
--pipeline_config_path=${PATH_TO_YOUR_PIPELINE_CONFIG} \
--checkpoint_dir=${PATH_TO_TRAIN_DIR} \
--eval_dir=${PATH_TO_EVAL_DIR}

${PATH_TO_EVAL_DIR}

定义测试事件写入路径，先新建相关

eval

文件夹，如

/home/cyj/Project/models/research/eval

。

运行Tensorboard

模型训练和测试的过程可通过Tensorboard进行查看，使用以下命令运行Tensorboard：

tensorboard --logdir=${PATH_TO_MODEL_DIRECTORY}

其中

${PATH_TO_MODEL_DIRECTORY}

指向包含

train

和

eval

的目录。例如

~$ tensorboard --logdir=/home/cyj/Project/models/research

。



输出训练的模型

模型训练后，将其导出为TensorFlow Graph样式。一个checkpoint由以下三个部分组成：

model.ckpt-${CHECKPOINT_NUMBER}.data-00000-of-00001,
model.ckpt-${CHECKPOINT_NUMBER}.index
model.ckpt-${CHECKPOINT_NUMBER}.meta

当要把已有的checkpoint转化为graph，执行以下代码即可得到名为

output_inference_graph.pb

的graph。

# Fr
9565
om tensorflow/models/research/
python object_detection/export_inference_graph.py \
--input_type image_tensor \
--pipeline_config_path ${PIPELINE_CONFIG_PATH} \
--trained_checkpoint_prefix ${TRAIN_PATH} \
--output_directory output_inference_graph.pb

三、使用模型进行检测

参考代码 Github: Video_Object_Detection， 此实验中可通过模型，进行照片和视频中的目标检测。