深度学习tensorflow object detect 之识别社会人小猪佩奇

今天我们来做一个有趣的事情，识别“社会人”，我们现在就准备用tensorflow object detect api来检测它

代码仓库：https://github.com/sanfooh/tensorflow_object_detection_api_demo

标注工具：https://github.com/sanfooh/quick_yolo2_label_tool

视频教程：https://edu.csdn.net/course/detail/8274

1，标注

首先我们使用工具（ https://github.com/sanfooh/tensorflow_label_tool）抓取下图片：

此工具是C#写的，只能用在windows环境下，抓取成功以后，按“导入到标注文件”

好了，我们可以标注它了

把社会人全部标注完。其产生的的“label_map.pbtxt”和“image”就是我们需要的：

2.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）

3.准备好项目

#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。

我们还在下载一个预训练文件

#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，我们可以在winscp中看到如下的文件：

4.训练

mkdir mytrain
python /output/models/research/object_detection/train.py --train_dir=mytrain/ --pipeline_config_path=net.config --logtostderr

查看训练情况

cd /output/tensorflow_object_detection_api_demo
tensorboard --logdir=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/eval.py文件在开始的地方添加 os.environ['CUDA_VISIBLE_DEVICES'] = '-1'：

运行如下代码开始评估

cd /output/tensorflow_object_detection_api_demo
mkdir evalpython /output/models/research/object_detection/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pipeline文件中eval部分是这样设置的：

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：

cd /output/tensorflow_object_detection_api_demo
tensorboard --logdir=eval

5.发布

当训练完以后，我们可以发布模型了（注意修改 35187）：

cd /output/tensorflow_object_detection_api_demo
python /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-35187 \
--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

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
python /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：

本文相关：

代码仓库：https://github.com/sanfooh/tensorflow_object_detection_api_demo

标注工具：https://github.com/sanfooh/quick_yolo2_label_tool

视频教程：https://edu.csdn.net/course/detail/8274