TF-slim进行快速进行模型分类实验（2.使用自己的数据集做分类）

使用的数据集：

http://www.lmars.whu.edu.cn/prof_web/zhongyanfei/Num/Google.html

 

使用该脚本转换图片格式将tiff转换为png

提前约定（自行创建好）

--dataset_dir="/tmp/remote_sensing"  #数据集存放路径

--checkpoint_path=/tmp/remote_log  #训练文件存放路径

PRETRAINED_CHECKPOINT_DIR=/tmp/checkpoints #预训练文件存放路径

1.需要的文件,以及操作：

 

 

mydata.py和conver_mydata.py放置在../tensorflow/models/research/slim/datasets目录下;删除../tensorflow/models/research/slim/datasets/dataset_factory.py将我们自己的dataset_factory.py替换上去;

download_and_convert_data.py 放置在../tensorflow/models/research/slim/目录下。

 

## mydata.py内定义训练集数量和验证集数量；分类的类别

SPLITS_TO_SIZES = {'train': 2000, 'validation': 400}

_NUM_CLASSES=12

 

## convert_mydata.py内定义分类类别，随机种子，验证集数量

_NUM_SHARDS = 12

_RANDOM_SEED = 0

_NUM_VALIDATION = 258

 

 

2.自己的原图转换TFrecord方法

python download_and_convert_data.py   \

--dataset_name=mydata \

--dataset_dir="/tmp/remote_sensing"

 

说明：--dataset_name=mydata 自定义数据类型

      --dataset_dir         图片文件夹所在的路径

3.开始训练

创建train_dir

python train_image_classifier.py \

--train_dir=/tmp/remote_log \

--dataset_name=mydata \

--dataset_split_name=train \

--dataset_dir="/tmp/remote_sensing" \

--model_name=inception_v4

 

 

查看tensorboard

tensorboard --logdir=/tmp/remote_log

 

 

评估：

python  eval_image_classifier.py  \

--dataset_name=mydata  \

--dataset_dir="/tmp/remote_sensing"  \

--dataset_split_name=validation  \

--model_name=inception_v4  \

--checkpoint_path=/tmp/remote_log  \

--eval_dir=/tmp/remote_evaldir \

--batch_size=32   \

微调

预训练文件下载地址：https://github.com/tensorflow/models/tree/master/research/slim

inception_resnet_v2

 

PRETRAINED_CHECKPOINT_DIR=/tmp/checkpoints

MODEL_NAME=inception_resnet_v2

TRAIN_DIR=/tmp/Fine-tuning/inception_resnet_v2/

DATASET_DIR=/tmp/remote_sensing/

 

python train_image_classifier.py \

  --train_dir=${TRAIN_DIR} \

  --dataset_name=mydata \

  --dataset_split_name=train \

  --dataset_dir=${DATASET_DIR} \

  --model_name=${MODEL_NAME} \

  --checkpoint_path=${PRETRAINED_CHECKPOINT_DIR}/${MODEL_NAME}.ckpt \

  --checkpoint_exclude_scopes=InceptionResnetV2/Logits,InceptionResnetV2/AuxLogits \

  --trainable_scopes=InceptionResnetV2/Logits,InceptionResnetV2/AuxLogits \

  --max_number_of_steps=20000 \

  --batch_size=32 \

  --learning_rate=0.01 \

  --learning_rate_decay_type=fixed \

  --save_interval_secs=60 \

  --save_summaries_secs=60 \

  --log_every_n_steps=10 \

  --optimizer=rmsprop \

  --weight_decay=0.00004 

 

微调后评估

python  eval_image_classifier.py  \

--dataset_name=mydata  \

--dataset_dir=/tmp/remote_sensing/  \

--dataset_split_name=validation  \

--model_name=inception_resnet_v2  \

--checkpoint_path=/tmp/Fine-tuning/inception_resnet_v2 \

--eval_dir=/tmp/remote_evaldir \

--batch_size=32   \

模型图的保存

CUDA_VISIBLE_DEVICES=0 python export_inference_graph.py \

  --alsologtostderr \

  --model_name=inception_resnet_v2 \

  --output_file=/tmp/inception_v3_inf_graph.pb

 

单张图片预测

python predict2.py \

--model_name=inception_v4 \

--predict_file=/tmp/remote_sensing/park/1.png \

--checkpoint_path=/tmp/remote_log

 

 

 

参数根据自己需要改变

 

（代码之后会提供链接提供大家使用）