window搭建TensorFlow Object Detection目标检测框架(超简单)
这个框架十分方面，熟练掌握之后可以训练出很多目标检测的模型，简单易上手，这个教程会讲到车牌检测、行人检测、人脸口罩检测等模型。训练过程十分简单，适合刚入门时用来找信心。
环境：win10，pycharm，anaconda3，tensorflow
-
下载Object Detection项目（tensorflow/models）
模型地址：https://github.com/tensorflow/models
下载地址：https://codeload.github.com/tensorflow/models/zip/master
解压后放在项目目录下 -
利用anaconda3创建虚拟环境
(1) 环境名称：tensorflowAPI，python版本：3.6conda create -n tensorflowAPI python=3.6(2) 激活进入到tensorflowAPI，通过pip install安装
protobuf(3.4)、Cython、pillow(1.0)、lxml、tensorflow(1.9)例如：pip install protobuf==3.4 -
protobuf安装与配置
(1) 下载protobuf-3.4.0-win32.zip
下载地址：http://down-ww3.7down.net/pcdown/soft/P/protoc-3.4.0-win32.rar
解压出来的文件放在软件目录或其他固定的目录下(2) 把protobuf的bin目录的路径加入系统环境变量path
(3) 通过protoc编译项目文件
在命令行(cmd)下进入到下模型目录下的researchprotoc object_detection/protos/*.proto --python_out=.(4) 添加系统环境变量：PYTHONPATH
把research的路径和research/bin路径添加进去(5) 在命令行(cmd)下进入到下模型目录下的research，输入：
python setup.py install(6) 在命令行(cmd)下进入到下模型目录下的research/slim，tf slim 库的 安装）输入：
python setup.py install
为了防止路径报错，建议将object_detection文件夹复制到\Lib\site-packages路径下，遇到其他路径问题再手动修改，或者将object_detection路径加入到对应的python环境中。
具体方式：略。。。。。。。。
(还是写一下吧，找到对应python环境。例如前面创建的python是tensorflowAPI ，那就找到anaconda的安装路径，envs文件夹，进入tensorflowAPI\Lib\site-packages,将前面的object_detection文件夹复制进去)
- 测试环境
python object_detection/builders/model_builder_test.py
出现上图，环境正常
我配置好的环境
下载地址：https://pan.baidu.com/s/10hjVHCNUeXVVL5XOfgkZuA
提取码：iyd6
参考环境(python3.5)
Package Version
-------------------- ------------------------------------
absl-py 0.9.0
astor 0.8.1
atomicwrites 1.3.0
attrs 19.3.0
certifi 2018.8.24
colorama 0.4.3
cycler 0.10.0
Cython 0.29.15
gast 0.3.3
google-pasta 0.1.8
grpcio 1.27.2
h5py 2.10.0
importlib-metadata 1.5.0
Keras-Applications 1.0.8
Keras-Preprocessing 1.1.0
kiwisolver 1.1.0
lxml 4.5.0
Markdown 3.2.1
matplotlib 2.1.0
more-itertools 8.2.0
numpy 1.18.1
object-detection 0.1
opencv-python 4.2.0.32
packaging 20.1
pathlib2 2.3.5
Pillow 7.0.0
pip 20.0.2
pluggy 0.13.1
protobuf 3.6.1
py 1.8.1
pyparsing 2.4.6
pytest 5.3.5
python-dateutil 2.8.1
pytz 2019.3
setuptools 45.2.0
six 1.14.0
slim 0.1
tensorboard 1.14.0
tensorflow 1.14.0
tensorflow-estimator 1.14.0
termcolor 1.1.0
wcwidth 0.1.8
Werkzeug 1.0.0
wheel 0.31.1
wincertstore 0.2
wrapt 1.11.2
zipp 1.1.0
- 预测
方式一：pycharm(推荐)
在research/object_detection文件夹下新建一个python文件，命名为object_detection_tutorial，拷贝下面的代码
下面的代码和注释我是转载的，找不到原创作者大大的链接了，找到了一定补上
# 导入一些需要的包和设置环境
import numpy as np
import tensorflow as tf
import os
import tarfile
from matplotlib import pyplot as plt
from PIL import Image
from object_detection.utils import ops as utils_ops
from object_detection.utils import label_map_util
from object_detection.utils import visualization_utils as vis_util
# 模型准备，设置需要使用的模型的下载地址
MODEL_NAME = 'ssd_mobilenet_v1_coco_2017_11_17'
MODEL_FILE = MODEL_NAME + '.tar.gz'
DOWNLOAD_BASE = 'http://download.tensorflow.org/models/object_detection/'
# frozen_inference_graph.pb文件就是后面需要导入的文件，它保存了网络的结构和数据
PATH_TO_FROZEN_GRAPH = MODEL_NAME + '/frozen_inference_graph.pb'
# mscoco_label_map.pbtxt文件中保存了index到类别名的映射，该文件就在object_dection/data文件夹下
PATH_TO_LABELS = os.path.join('data', 'mscoco_label_map.pbtxt')
# 下载预训练模型
opener = urllib.request.URLopener()
opener.retrieve(DOWNLOAD_BASE + MODEL_FILE, MODEL_FILE)
# 解压该文件
tar_file = tarfile.open(MODEL_FILE)
for file in tar_file.getmembers():
file_name = os.path.basename(file.name)
if 'frozen_inference_graph.pb' in file_name:
tar_file.extract(file, os.getcwd()) # 将pb文件提取到当前工作目录下
# 下载模型后，将它读取到默认的计算图中（实际读取的是frozen_inference_graph.pb文件）
# 新建一个图
detection_graph = tf.Graph() # 定义一个图
with detection_graph.as_default():
od_graph_def = tf.GraphDef() # 重新定义一个图
# tf.gfile.GFile(filename, mode)获取文本操作句柄，类似于python提供的文本操作open()函数，
# filename是要打开的文件名，mode是以何种方式去读写，将会返回一个文本操作句柄。
with tf.gfile.GFile(PATH_TO_FROZEN_GRAPH, 'rb') as fid:
# 将*.pb文件读入serialized_graph
serialized_graph = fid.read()
# 将serialized_graph的内容恢复到图中
od_graph_def.ParseFromString(serialized_graph)
# 将od_graph_def导入当前默认图中(加载模型)
tf.import_graph_def(od_graph_def, name='')
# 载入coco数据集标签文件
category_index = label_map_util.create_category_index_from_labelmap(PATH_TO_LABELS, use_display_name=True)
# print(category_index)
# 在进行检测之前，定义一个帮助函数，该函数的功能是将图片转换为Numpy数组的形式
def load_image_into_numpy_array(image):
(im_width, im_height) = image.size
return np.array(image.getdata()).reshape((im_height, im_width, 3)).astype(np.uint8)
# 对输入图像进行目标检测
PATH_TO_TEST_IMAGES_DIR = 'test_images'
TEST_IMAGE_PATHS = [os.path.join(PATH_TO_TEST_IMAGES_DIR, 'image{}.jpg'.format(i)) for i in range(1, 3)]
# 输出图像的大小（单位是in）
IMAGE_SIZE = (12, 8)
with tf.Session(graph=detection_graph) as sess:
for image_path in TEST_IMAGE_PATHS:
image = Image.open(image_path)
# 将图片转换为numpy格式
image_np = load_image_into_numpy_array(image)
# 将图片扩展一维，最后进入神经网络的图片格式应该是[1,?,?,3]，括号内参数分别为一个batch传入的数量，宽，高，通道数
image_np_expanded = np.expand_dims(image_np, axis=0)
# 获取模型中的tensor
image_tensor = detection_graph.get_tensor_by_name('image_tensor:0')
# boxes变量存放了所有检测框
boxes = detection_graph.get_tensor_by_name('detection_boxes:0')
# score表示每个检测结果的confidence
scores = detection_graph.get_tensor_by_name('detection_scores:0')
# classes表示每个框对应的类别
classes = detection_graph.get_tensor_by_name('detection_classes:0')
# num_detections表示检测框的个数
num_detections = detection_graph.get_tensor_by_name('num_detections:0')
# 开始检测
boxes, scores, classes, num_detections = sess.run([boxes, scores, classes, num_detections],
feed_dict={image_tensor: image_np_expanded})
# 可视化结果
# squeeze函数：从数组的形状中删除单维度条目，即把shape中为1的维度去掉
vis_util.visualize_boxes_and_labels_on_image_array(
image_np,
np.squeeze(boxes),
np.squeeze(classes).astype(np.int32),
np.squeeze(scores),
category_index,
use_normalized_coordinates=True,
line_thickness=8)
plt.figure(figsize=IMAGE_SIZE)
plt.imshow(image_np)
plt.show()如果使用opencv读取图片的话，记得把图片转换成RGB格式，cv2默认读取的是BGR格式，虽然说官方给的模型影响不大，但是自己训练一些比较复杂的模型，再用这个代码预测的时候，不注意图片读取格式会严重影响预测结果
代码第一次运行的时候会下载模型，在第21行的代码有相关注释，如果下载好了，第二次运行记得注释掉下载代码。如果下载太慢，下面是地址
http://download.tensorflow.org/models/object_detection/ssd_mobilenet_v1_coco_2017_11_17/frozen_inference_graph.pb
(如有报错，注意导入py文件的路径)
方式二：jupyter
（略，csdn上有太多使用jupyter预测的教程，我就不写了）
536
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
