Ubuntu16.04下新版Tensorflow object_detection api使用教程

Tensorflow object_detection api 使用教程

0.前言

实验室里有项目要开始搞，要用到目标检测的方法。所以在这里记录一下搭建的环境以及训练的过程。基于Ubuntu16.04 64位操作系统，GTX Titan X(12g) GPU训练的。
详细的步骤可以到我的个人博客去看：我的博客

1.数据准备

2. 下载object detection的api

• 运行生成CSV脚本(略)
• 在.../models/reseach/object_detection/目录下运行generate_TFR.py文件：
  python generate_TFR.py --csv_input=data/train_data.csv --output_path=data/train_data.record
  然后改一下代码，继续：
  python generate_TFR.py --csv_input=data/test_data.csv --output_path=data/test_data.record

3.训练

依旧是在.../models/reseach/目录下，打开终端，输入如下命令：

python object_detection/model_main.py \
    --pipeline_config_path=object_detection/manhole_rfcn/rfcn_resnet101_coco.config \
    --model_dir=object_detection/manhole_rfcn/  \
    --num_train_steps=50000 \
    --sample_1_of_n_eval_examples=1  \
    --alsologtostderr

如果没有出错，等一会儿就可以看到在迭代了。

如果要两块卡一起跑起来，做了如下修改，

• 在model_train.py中增加了如下语句：

  # 这里加入代码让两块gpu一起跑起来,显卡序号是0和1，看显卡详情可以在cmd中输入nvidia-smi
  os.environ['CUDA_VISIBLE_DEVICES']='0,1'
  

---

如何指定显卡跑呢？

• 在终端执行程序时指定GPU

  CUDA_VISIBLE_DEVICES=1 python your_file.py

  这样在跑你的网络之前，告诉程序只能看到1号GPU，其他的GPU它不可见

  可用的形式如下：

  CUDA_VISIBLE_DEVICES=1  :        	Only device 1 will be seen
  CUDA_VISIBLE_DEVICES=0,1         	Devices 0 and 1 will be visible
  CUDA_VISIBLE_DEVICES="0,1"       	Same as above, quotation marks are optional
  CUDA_VISIBLE_DEVICES=0,2,3       	Devices 0, 2, 3 will be visible; device 1 is masked
  CUDA_VISIBLE_DEVICES=""          	No GPU will be visible
  

• 在Python代码中指定GPU

  import os
  os.environ["CUDA_VISIBLE_DEVICES"] = "0"
  

---

训练过程中，可以用tensorboard来观察训练情况，具体操作是在object_detection目录下打开命令行，输入:

tensorboard --logdir=training，
就会出来地址，复制地址到浏览器便可以打开，如果不行的话，地址可以改为：localhost:6006，想必应该可以了。

4.导出模型并测试

待训练完毕后，还是在object_detection目录下打开命令行，输入：

python export_inference_graph.py  --input_type image_tensor  --pipeline_config_path training_meter/ssd_mobilenet_v2_coco.config  --trained_checkpoint_prefix training_meter/model.ckpt-200000  --output_directory meter_inference_graph

其中，--trained_checkpoint_prefix training_meter/model.ckpt-200000 --output_directory meter_inference_graph中的model.ckpt-200000要你自己去training_meter文件夹中找一个最大的数字(不是最大也可以)，然后更改，meter_inference_graph可以将meter改成别的。

运行之后，在object_detection目录下就出现了一个文件夹meter_inference_graph。

将要测试的图片放到object_detection下的test_images下，不过记得先清空里面的文件。

接下来便是测试，同样是在object_detection目录下创建一个.ipynb文件，并在这个目录下打开cmd然后打开jupyter notebook，打开.ipynb文件，笔者的命名为meter_detection.ipynb，具体的代码可以从这里看:meter_detection.ipynb，然后根据注释相应改一下就会出来结果了。

5. 将训练好的模型移植到手机上

6. 参考资料

1. 目标检测Tensorflow object detection API之构建自己的模型
2. Tensorflow object detection API 搭建属于自己的物体识别模型（2）——训练并使用自己的模型
3. 深度学习环境搭建-CUDA9.0、cudnn7.3、tensorflow_gpu1.10的安装
4. 目标检测第1步-运行tensorflow官方示例
5. 目标检测第2步-数据准备
6. 目标检测第3步-模型训练
7. 目标检测第4步-模型测试
8. TensorFlow Object Detection API 使用多个GPU