【Tensorflow/TensorFlowObjectDetectionAPI学习笔记】记录Tensorflow1.13从数据集到生成tflite文件流程

系统：win10
环境：anaconda,python3.6,tensorflow-gpu1.13
材料准备：TensorFlow object detection API - r1.13，数据集
注：默认根目录为TensorFlow object detection API
参考文件：链接
提取码jlj8

1、api安装：

打开控制台或powershell(shift+鼠标右键可以看到)，进入到research/slim，指令如下：

cd research/slim/

构建、执行安装文件

python setup.py build
python setup.py install

返回上一级，同样

cd ..
python setup.py build
python setup.py install

2、环境监测

执行环境监测脚本

protoc object_detection/protos/*.proto --python_out=.
python object_detection/builders/model_builder_test.py
pause

倘若出现如图OK字样，则表示环境部署完成

3、数据准备、模型制作

进入到object_detection/images文件夹，将准备好的数据集分别存放于test和train目录下，做测试集和训练集，建议测试集：训练集=3：7

相关配置文件

（倘若按提供的学习文件操作，则无需修改配置文件）：

回到object_detection目录，执行如下脚本制作数据

python xml_to_csv.py
python train_generate_tfrecord.py
python test_generate_tfrecord.py

此时data目录下会生成对应的csv和tfrecord文件

执行以下脚本进行模型训练：

python train.py --logtostderr --train_dir=training/ --pipeline_config_path=training/ssd_mobilenet_v1_pets.config

！这里有配置信息需要个人按需求改，一般是修改分类数及类别，以下列出主要配置文件：
training/ssd_mobilenet_v1_pets.config:主要记录模型训练的配置，

• num_steps训练步数
• num_classes分类数
• batch_size一次喂入的数据量（不过电脑性能比较差可以调低点，超出电脑承受能力会报错）

training/object-detection.pbtxt：记录类别ID与类别名，格式如下：

item {
          id: 1
          name: 'example'
}

其中id为类别ID，唯一
name为对应的类别名

test_generate_tfrecord.py
train_generate_tfrecord.py：样本的测试和训练代码，其中都要改class_text_to_int方法下的类名与返回的数值与你在training/object-detection.pbtxt设定的一致。部分代码如下：

def class_text_to_int(row_label):
    if row_label == 'example':
        return 1
    else:
        return 0

阶段性结果检验：
在当前目录下（research\object_detection）用jupyter notebook打开my_object_detection_tutorial.ipynb文件,把要检测的图片放到test_images文件夹下，在jupyter下run all，即可检验模型训练结果。

4、将模型转成PB文件

在research\object_detection下执行以下脚本：

python export_inference_graph.py --input_type image_tensor --pipeline_config_path training/ssd_mobilenet_v1_pets.config --trained_checkpoint_prefix training/model.ckpt-1000 --output_directory myFinalModelPB

即可在myFinalModelPB文件夹下保存对应的pb文件

5、将模型转成TFLite文件

在当前目录下，执行以下python代码，在当前目录下生成output_graph.tflite

import tensorflow as tf

in_path = r'H:\Projects\PC Projects\(face)models-master\research\object_detection\myFinalModelPB\frozen_inference_graph.pb'
out_path = r'H:\Projects\PC Projects\(face)models-master\research\object_detection\tflite_model\output_graph.tflite'

input_tensor_name = ['BFD']
input_tensor_shape = {'Placeholder': [1, 224, 224, 3]}

class_tensor_name = ['final_result']

convertr = tf.lite.TFLiteConverter.from_frozen_graph(in_path, input_arrays=input_tensor_name
                                                     , output_arrays=class_tensor_name
                                                     , input_shapes=input_tensor_shape)

# convertr=tf.lite.TFLiteConverter.from_saved_model(saved_model_dir=in_path,input_arrays=[input_tensor_name],output_arrays=[class_tensor_name])
tflite_model = convertr.convert()

with open(out_path, 'wb') as f:
    f.write(tflite_model)

tflite生成参考自博客https://blog.csdn.net/SpiritYzw/article/details/105629397
感谢大佬！

如有错误欢迎批评指正！