在tensorflow环境下 ，利用slim 中的inception_resnet_v2训练自己的分类数据

Original Resource:

https://blog.csdn.net/lgq1558101442/article/details/89032234

主要内容

本文主要目的是利用slim中提供的现有模型对自己的数据进行分类训练。

环境要求

首先要检查自己的训练环境是否有以下工具（安装教程）：
本文训练环境（安装版本不必一致，但各工具版本之间需匹配，版本匹配）：

1、ubuntu16.04
2、cuda9.0
3、cudnn7.1.3
4、tensorflow 1.5.0
5、python3.6
6、anaconda 3.0

下载slim

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

   
   

   
   
1

数据转tfrecord格式

1、 首先，将数据按类别放入文件夹内，如图所示（本文为衣物分类数据为例）。

2、slim中只有三类数据，需要将我们的数据按照这三类的文件格式创建相应文件，从而可以将我们的数据利用slim中给的转换工具获得tfrecord格式。
（1）在slim/datasets下复制download_and_convert_flowers.py文件为download_and_convert_clothes.py，利用vi编辑器将文件中的以下信息根据自己的数据进行修改（本文采用自己的数据，无需下载数据，将下载数据的部分注释掉）：

将文件中的字符flowers全部替换为clothes：
1）将函数 _get_filenames_and_classes中的flower_root = os.path.join(dataset_dir, 'flower_photos')改为

flower_root = os.path.join(dataset_dir, 'Images')

   
   

   
   
1

2）修改验证集图片的数量 _NUM_VALIDATION = 350 为 _NUM_VALIDATION = 1300
3）修改函数_get_dataset_filename中的output_filename = 'flowers_%s_%05d-of-%05d.tfrecord' 为 output_filename = 'clothes_%s_%05d-of-%05d.tfrecord'
4）如果生成tfrecord的数据时候不要删除掉原始数据，将clean_up_temporary_files(dataset_dir)注释掉。
（2）使用vi编辑器对download_and_convert_data.py文件进行以下修改：
1）在文件import部分加入from datasets import download_and_convert_clothes
2）在main函数中新增：

elif FLAGS.dataset_name =='clothes':
    download_and_convert_clothes.run(FLAGS.dataset_dir)

   
   

   
   
1
2

3、生成tfrecord数据：
在download_and_convert_data.py文件目录下执行以下指令：

python download_and_convert_data.py --dataset_name=clothes --dataset_dir=../../data 

   
   

   
   
1

训练

1、在slim/datasets/dataset_factory.py文件中加入我们的数据变量dataset_name==clothes：

from datasets import cifar10
from datasets import flowers
from datasets import imagenet
from datasets import mnist
from datasets import satellite
from datasets import clothes#新加入
datasets_map = {
    'cifar10': cifar10,
    'flowers': flowers,
    'imagenet': imagenet,
    'mnist': mnist,
    'satellite': satellite,
    'clothes': clothes,//新加入
}

   
   

   
   
1
2
3
4
5
6
7
8
9
10
11
12
13
14

2、复制flower.py文件为clothes.py文件，并进行一下修改：
（1）将文件中的字符flowers全部替换为clothes，这样就修改_FILE_PATTERN = 'flowers_%s_*.tfrecord'为_FILE_PATTERN = 'clothes_%s_*.tfrecord'
（2）修改训练集和验证集的图片数量 SPLITS_TO_SIZES = {'train': 50000, 'validation': 1300}
（3）修改类目数量 _NUM_CLASSES = 13
（4） 修改 _ITEMS_TO_DESCRIPTIONS = { 'image': 'A color image of varying size.', 'label': 'A single integer between 0 and 12', }
（5）修改get_split函数中的图片解析格式'image/format': tf.FixedLenFeature((), tf.string, default_value='png')修改为'image/format': tf.FixedLenFeature((), tf.string, default_value='jpg')
3、下载预训练权重文件：

wget http://download.tensorflow.org/models/inception_resnet_v2_2016_08_30.tar.gz
tar zxf inception_resnet_v2_2016_08_30.tar.gz

   
   

   
   
1
2

4、训练指令

python train_image_classifier.py \
--train_dir=./model/inception_resnet_v2_model \   #训练过程中用于保存ckpt、index、meta文件的目录
--dataset_name=clothes
--dataset_split_name=train
--dataset_dir=../../data \   #存放TFRecords文件的目录
--model_name=inception_resnet_v2  \   #网络的名称
--checkpoint_path=./model/inception_resnet_v2_2016_08_30/inception_resnet_v2_2016_08_30.ckpt  \  #预训练权重文件
--checkpoint_exclude_scopes=InceptionResnetV2/Logits,InceptionResnetV2/AuxLogits   \
--trainable_scopes=InceptionResnetV2/Logits,InceptionResnetV2/AuxLogits  
--clone_on_cpu=False \
--max_number_of_steps=10000 \
--batch_size=32 \
--learning_rate=0.01 \
--------------------- 
原文：https://blog.csdn.net/shiheyingzhe/article/details/82284853 

   
   

   
   
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

测试

python eval_image_classifier.py \
--checkpoint_path=./model/inception_resnet_v2_model \ 
--eval_dir=./model/eval_result \  
--dataset_name=clothes \ 
--dataset_split_name=validation \   
--dataset_dir=../../data \
--model_name=inception_resnet_v2  \
--------------------- 
原文：https://blog.csdn.net/shiheyingzhe/article/details/82284853 

   
   

   
   
1
2
3
4
5
6
7
8
9

参考这个文章

使用TensorFlow slim文件夹当中的inception_resnet_v2网络训练自己的分类数据集

        </div>
					<link href="https://csdnimg.cn/release/phoenix/mdeditor/markdown_views-258a4616f7.css" rel="stylesheet">
                  </div>