webstorm 不识别.config文件_深度学习tensorflow object detect 之手势识别

今天我来带大家做一个有趣的事情，识别“啪”的手势，使用tensorflow object detect api来检测

标注

首先我们使用标注工具来进行标注

此工具是C#写的，只能用在windows环境下，输入图片的地址，按“导入”。

还有一种方法就是直接从网上找图片，输入关键字，点击启动，等待进度条完成后，导入到标注文件就好。（爬取的照片准确度不是很高，所以我拿的是自己拍的）

导入图片后我们在右侧输入要标注物体的tag，在图片上从左向右下角将识别的物体框住就好。

标注完在右下角可以看到具体的标注信息

标注完后打开图片文件夹就能看到标注的位置了

把手势全部标注完。其产生的的“label_map.pbtxt”和“image”就是我们需要的：

安装tensorflow object detec api（ubuntu）

现在我们来安装tensorflow object detec api（ubuntu）基于我们已经安装好了tensorflow:

#在根目录下创建一个output目录
 mkdir /output
 cd /output/

 #下载tensorflow object detec api 代码git clone https://github.com/tensorflow/models.git

 #安装依赖项
 pip install Cython
 pip install pillow
 pip install lxml
 pip install jupyter
 pip install matplotlib
 pip install opencv-python
 pip install pycocotools

 cd /output/models/research/
 #编译
 protoc object_detection/protos/*.proto --python_out=.
 #安装export PYTHONPATH=$PYTHONPATH:`pwd`:`pwd`/slim
 #验证python object_detection/builders/model_builder_test.py
 ```

最后打印出“OK”即说明安装API成功
（代码来自https://github.com/sanfooh/tensorflow_object_detection_api_demo)
***

### 下载项目
```python
#下载图片及标注文件
cd /output
git clone https://github.com/sanfooh/tensorflow_object_detection_api_demo.git

下载这个项目之后，将项目中的“label_map.pbtxt”和“image”文件夹删掉，然后把第一步产生的“label_map.pbtxt”和“image”放进去。

我们还需要下载一个预训练项目

#下载预训练文件
cd /output/tensorflow_object_detection_api_demo
wget  http://download.tensorflow.org/models/object_detection/ssd_mobilenet_v1_coco_2017_11_17.tar.gz
tar -xzvf ssd_mobilenet_v1_coco_2017_11_17.tar.gz
rm -r ssd_mobilenet_v1_coco_2017_11_17.tar.gz

生成tfrecord

#生成tfrecord数据集
python create_tf_record.py

生成之后我们可以看到如下的文件（train.record和 val.record）

训练

接下来我们就开始训练

#训练
mkdir mytrain
python3 /output/models/research/object_detection/legacy/train.py --train_dir=mytrain/ --pipeline_config_path=/output/tensorflow_object_detection_api_demo/net.config --logtostderr

遇到缺乏'nets'解决方法，添加到环境变量中去就好

#缺乏'nets'
cd /output/models/research/
export PYTHONPATH=$PYTHONPATH:`pwd`:`pwd`/slim

查看训练情况

#查看训练情况cd /home/aiguodong/.local/lib/python3.6/site-packages/tensorboard3python3 main.py --logdir=/output/tensorflow_object_detection_api_demo/mytrain

打开浏览器http:/xxxx:6006就可查看训练情况

在训练的过程中（训练不要停），使用eval.py来评估验证集

首先，为了避免评估争抢gpu的资源，让eval只在cpu运行就好了，找到/output/models/research/object_detection/legacy/eval.py文件在开始的地方添加 os.environ['CUDA_VISIBLE_DEVICES'] = '-1'

PS：把/output/tensorflow_object_detection_api_demo下的net.config文件复制到/output/tensorflow_object_detection_api_demo/mytrain 文件夹下（两个文件一样 可以省去这步在下面代码中修改路径就好）

运行如下代码开始评估

#开始评估cd /output/tensorflow_object_detection_api_demo
mkdir eval
python3 /output/models/research/object_detection/legacy/eval.py --logtostderr --pipeline_config_path=net.config --checkpoint_dir=mytrain/ --eval_dir=eval/

运行后它不会退出,当有新的检查点文件产生时，它会重新评估,也就是说它是在训练的同时运行，需要注意net.config文件中eval部分是这样设置的

不然会报错（ValueError：Image with id b'xxx.jpg' already added）

评估时，会在eval目录下生成形如events.out.tfevents.XXX的文件

这时我们需要再使用tensorboard来查看图片情况：

#查看图片情况cd /output/tensorflow_object_detection_api_demo
tensorboard --logdir "/output/tensorflow_object_detection_api_demo/eval"

训练完成后我们就可以发布了（注意修改13108）

#开始评估python3 /output/models/research/object_detection/export_inference_graph.py 
--input_type image_tensor 
--pipeline_config_path /output/tensorflow_object_detection_api_demo/net.config 
--trained_checkpoint_prefix /output/tensorflow_object_detection_api_demo/mytrain/model.ckpt-13108 6--output_directory /output/tensorflow_object_detection_api_demo/mymodel

在mymodel下生成如下文件，其中frozen_inference_graph.pb就是我们要的文件

发布

有了.pb文件以后，我们就可以发布模型了：

#利用Flask来发布模型
pip install flask
pip install flask_wtf
#启动服务python3 /output/tensorflow_object_detection_api_demo/web/app.py

最后用浏览器打开8000端口可以看到如下效果：

如果大家在训练中遇到什么问题，可以私信我交流！