1. 數(shù)據(jù)集介紹

??The Oxford-IIIT Pet Dataset是一個寵物圖像數(shù)據(jù)集，包含37種寵物，其中有犬類25類，貓類12類，每種寵物200張左右寵物圖片，并同時包含寵物輪廓標(biāo)注信息。
??地址:http://www.robots.ox.ac.uk/~vgg/data/pets/

2. 準(zhǔn)備工作

??為了避免不必要的麻煩，先說一下我的系統(tǒng)情況:
??Python 3.6Tensorflow 1.10 windows10(64Bit)
??顯卡: GTX 750Ti

??注： Python和Tensorflow采用Anaconda安裝。

2.1 下載模型

?https://github.com/tensorflow/models
?models-master.zip
?解壓到E:\models-master

2.2 下載數(shù)據(jù)

?http://www.robots.ox.ac.uk/~vgg/data/pets/
?下載annotations.tar.gz并解壓到E:\PETSSelf\annotations
?下載images.tar.gz并解壓到E:\PETSSelf\images
?PETSSelf名稱是任取的
順帶介紹一下本次訓(xùn)練中采用trainval.txt文件,大體格式如下:

1. Class ID 是對應(yīng)于pet_label_map.pbtxt的ID值
2. SPECIES是總分類:1:貓 2:狗
3. BREED ID :在分類下面的子分類序號,對于總分類1貓其序號為1-25;對于總分類2狗，其序號為1-12。

2.3 建立.pth文件

??在 Anaconda\Lib\site-packages 這個文件夾目錄下，寫一個.pth文件，內(nèi)容為兩條路徑，即在C:\Users\Administrator\Anaconda3\Lib\site-packages底下建立tensorflow_model.pth文件，內(nèi)容為

E:\models-master\research
E:\models-master\research\slim

如果沒有這一步，在后面運行過程中則會出現(xiàn) ImportError: No module named 'object_detection' 這種錯誤

2.4 編譯protos**

將protoc-3.4.0-win32.zip的bin部分解壓到E:\protoc-3.4.0-win32
轉(zhuǎn)到找到model-master中的research目錄下，執(zhí)行：

E:\models-master\research>E:\protoc-3.4.0-win32\bin\protoc.exe object_detection/protos/*.proto --python_out=.

之后會在protos文件夾中生成一大堆.proto文檔：

• 如果是采用PATH方式調(diào)用protoc,易出現(xiàn)
  object_detection/protos/*.proto: No such file or directory錯誤

• 如果缺少這一步，在后面運行過程中則會出現(xiàn)

    ImportError: cannot import name 'string_int_label_map_pb2'
  

****后來將*.py移至其它目錄，發(fā)現(xiàn)又沒有什么關(guān)系，還是需要進一步了解透徹。

2.5 運行model_builder_test.py

E:\models-master\research>python object_detection/builders/model_builder_test.py**

C:\Users\Administrator\Anaconda3\lib\site-packages\tensorflow\python\util\tf_inspect.py:75: DeprecationWarning: inspect.getargspec() is deprecated, use inspect.signature() instead
return _inspect.getargspec(target)
.....

Ran 22 tests in 0.220s
OK
E:\models-master\research>

2.6 測試object_detection工作是否正常

E:\models-master>jupyter-notebook

會自動打開瀏覽器，訪問http://localhost:8888/
進行瀏覽器，按Shift+Enter一直到最后一個框
等一會兒，出現(xiàn)狗和沙灘的識別圖形。

3. 數(shù)據(jù)準(zhǔn)備

3.1 建立轉(zhuǎn)換程序

在E:\models-master\research\object_detection\dataset_tools目錄底下，有一系列轉(zhuǎn)換工具，包括create_pet_tf_record.py

1. 將create_pet_tf_record.py復(fù)制到E:\PETSSelf
2. 復(fù)制數(shù)據(jù)集的標(biāo)簽圖文件，目前用到的是
   將object_detection/data/pet_label_map.pbtxt復(fù)制到E:\PETSSelf\data
   為了簡單起見，我們只保留第1種

item {
id: 1
name: 'Abyssinian'
}

這是一種稱為"阿比西尼亞貓"的動物：

注意：這個轉(zhuǎn)換工具默認(rèn)只識別臉部信息，它從annotations\xmls目錄底下自動找到相匹配的<bnxbox>用于界定寵物的臉部范圍，大體如下圖:

3.2 執(zhí)行轉(zhuǎn)換

在E:\PETSSelf目錄下運行

E:\PETSSelf>Python  create_pet_tf_record.py  \
--data_dir=E:\PETSSelf  \
--output_path=E:\PETSSelf

運行完成以后，會產(chǎn)生下列文件

• pet_faces_train.record-00000-of-00010
• pet_faces_train.record-00001-of-00010
• pet_faces_train.record-00002-of-00010
• pet_faces_train.record-00003-of-00010
• pet_faces_train.record-00004-of-00010
• pet_faces_train.record-00005-of-00010
• pet_faces_train.record-00006-of-00010
• pet_faces_train.record-00007-of-00010
• pet_faces_train.record-00008-of-00010
• pet_faces_train.record-00009-of-00010
• pet_faces_val.record-00000-of-00010
• pet_faces_val.record-00001-of-00010
• pet_faces_val.record-00002-of-00010
• pet_faces_val.record-00003-of-00010
• pet_faces_val.record-00004-of-00010
• pet_faces_val.record-00005-of-00010
• pet_faces_val.record-00006-of-00010
• pet_faces_val.record-00007-of-00010
• pet_faces_val.record-00008-of-00010
• pet_faces_val.record-00009-of-00010

3.3 引入訓(xùn)練模型

我們采用ssd_mobilenet模型進行訓(xùn)練

3.3.1 模型下載

其可以從:
https://github.com/tensorflow/models/blob/master/research/object_detection/g3doc/detection_model_zoo.md
指定的模型表格中進行下載，這個模型是用微軟COCO數(shù)據(jù)集訓(xùn)練的。
下載完成以后，名稱為：ssd_mobilenet_v1_coco_2018_01_28.tar.gz
當(dāng)然，時間不同，文件名可能有變化，時代總是在進步的。

3.3.2 復(fù)制模型文件

將臨時目錄里面的model.ckpt.*的三個文件, 即下面三個文件:

• model.ckpt.data-00000-of-00001
• model.ckpt.index
• model.ckpt.meta
  復(fù)制到E:\PETSSelf

3.3.3 復(fù)制配置文件并修改

模型配置文件為ssd_mobilenet_v1_pets.config
其可以在E:\models-master\research\object_detection\samples\configs找到。將其復(fù)制到E:\PETSSelf，并作如下修改：

• num_classes

num_classes=1

我們在此只采用1類

• 將所有PATH_TO_BE_CONFIGURED的地方類比修改為自己之前設(shè)置的路徑

fine_tune_checkpoint: "E:/PETSSelf/model.ckpt"

train_input_reader: {
tf_record_input_reader {
input_path: "E:/PETSSelf/pet_faces_train.record*"
}
label_map_path: "E:/PETSSelf/data/pet_label_map.pbtxt"
}

eval_input_reader: {
tf_record_input_reader {
input_path: "E:/PETSSelf/pet_faces_val.record*"
}

• num_steps
  原來num_steps: 200000，這個需要花費大量時間，為了測試方便，改成一個較小值，以驗證命令是否能通過:

num_steps: 1000

• batch_size
  原來的batch_size: 24，目前GTX 750Ti顯示會內(nèi)存不足，先以最小計

batch_size: 12

4. 訓(xùn)練數(shù)據(jù)

4.1 引入訓(xùn)練程序train.py

將E:\models-master\research\object_detection\legacy\train.py
復(fù)制到E:\PETSSelf

注意：網(wǎng)上有很多文檔，認(rèn)為train.py腳本在object detection文件夾下面，估計是TensorFlow版本升級了，train.py現(xiàn)在位置在legacy文件下面.

4.2 運行train.py

E:\PETSSelf>Python train.py -train_dir=E:\PETSSelf -pipeline_config_path=E:\PETSSelf\ssd_mobilenet_v1_pets.config

5. 模型輸出

E:\PETSSelf\ssd_mobilenet_v1_pets.config --trained_checkpoint_prefix E:\PETSSelf\model.ckpt-1000 --output_directory output_model

運行完成以后，形成以下文件(沒有全列出來)

• frozen_inference_graph.pb
• model.ckpt.data-00000-of-00001
• model.ckpt.index
• model.ckpt.meta
• pipeline.config
  ···

6. 模型測試

6.1 測試環(huán)境準(zhǔn)備

轉(zhuǎn)到E:\models-master目錄，然后執(zhí)行

E:\models-master>jupyter-notebook

轉(zhuǎn)入瀏覽器，在瀏覽器頁面中作一些配置修改操作:
修改in[4]

# What model to download.
#MODEL_NAME = 'ssd_mobilenet_v1_coco_2017_11_17'
MODEL_NAME = 'E:/PETSSelf/output_model'
#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_FROZEN_GRAPH = 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', 'pet_label_map.pbtxt')

將Download Model即in [5]全部屏蔽

#opener = urllib.request.URLopener()
#opener.retrieve(DOWNLOAD_BASE + MODEL_FILE, MODEL_FILE)
#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())

修改Detection即In [9]部分

PATH_TO_TEST_IMAGES_DIR = 'E:/PETSSelf/Test'
TEST_IMAGE_PATHS = [ os.path.join(PATH_TO_TEST_IMAGES_DIR, 'image{}.jpg'.format(i)) for i in range(1, 6) ]

注意：上面代碼中range(1, 6) ,表示測試5張圖片

6.2 測試數(shù)據(jù)準(zhǔn)備

建立E:\PETSSelf\Test目錄，將從網(wǎng)上找?guī)讖垐D片

Image1: 從網(wǎng)上找的Abyssinian/阿比西尼亞貓圖片
Image2: 愛心的中華田園貓
Image3: american_bulldog/美國斗牛犬
Image4: 舒服的中華田園貓
Image5: 人類

6.3 測試

回到Jupyter最初始，點擊選中Object Detection Demo，然后一直按Shift+Enter，直到最后:

哈哈，認(rèn)錯了，它是中華田園貓，不過系統(tǒng)也認(rèn)為置信度不高。

這個是不對了，貓和狗怎么混淆了呢?

這個準(zhǔn)確(也可能根本沒有認(rèn)出來是只貓，呵呵)。

這個也準(zhǔn)確。