Tensorflow Object Detection API

Tensorflow Object Detection API

TensorFlow Object Detection API Github

https://github.com/tensorflow/models/research/object_detection

注意：object_detection依赖slim。

使用时，我们需要将research下的object_detection和slim都拷贝出来。

环境准备

安装或升级protoc

在object_detection/ptoroc中，可以看到一些proto文件，我们需要使用protoc程序将这些proto文件编译为python文件才可以。

TensorFLow Object Detection必须使用2.6.0以上的protoc进行编译，否则会报错。可以使用如下指令查看protoc的版本。

protoc --version

如果版本低于2.6.0就需要进行版本升级，如果版本高于2.6.0可以忽略当前操作。

protoc下载地址

下载文件后解压，会得到一个 protoc 文件，将它复制到系统的可执行目录即可，例如：

sudo cp bin/protoc /usr/local/bin

然后查看版本是否是新安装的版本。

编译proto文件

接下来，我们需要将“ object_detection/protos/”下的“.proto”文件进行编译，编译为“.py”文件，执行如下指令：

protoc object_detection/protos/*.proto --python_out=.

运行完，如果每一个“.proto”文件都生成了对于的“.py”文件，说明编译成功了。

将Slim加入PYTHONPATH

TensorFlow Object Detection API 是以 Slim 为基础实现的，需要将 Slim 的目录加入 PYTHONPATH 后才能正确运行。具体来说，还是在 research 文 件夹下执行下面的命令。

export PYTHONPATH=$PYTHONPATH:`pwd`:`pwd`/slim

执行完，我们打开一个python shell，执行“import slim”运行成功，表示已经正确配置。

完成安装测试

python object_detection/builders/model_builder_test.py

这条命令会自动检查 TensorFlow Object Detection API 是否正确安装，如果出现"Ok (skipped=1)"信息，说明己安装成功。

使用预训练模型进行图片检测

案例代码：research/object_detection/snkey_object_detection.py

TensorFlow Object Detection API默认提供了5个与训练模型，它们都是使用COCO数据集训练完成的，结构分别为：

• SSD+MobileNet
• SSD+Inception
• R-FCN+ ResNet101
• Faster RCNN+ResNet101
• Faster RCNN+Inception_ResNet

如何使用这些模型呢，可以参考官方的一个案例

当然，我们也可以使用自己训练的模型进行图片预测。

本案例基于官方示例，使用SSD+MobileNet模型进行图片检测。

SSD+MobileNet模型

说明：执行官方示例会自动下载和解压该模型。执行snkey_object_detection.py需要已经存在该模型。

更换预测模型

只需要修改上述代码中的2行配置即可。将配置改为其它模型的对应文件即可。

# 因为执行object_detection_tutorial notebook文件，模型已经下载到本地了，这里直接使用即可。
# 模型
PATH_TO_FROZEN_GRAPH ='ssd_mobilenet_v1_coco_2017_11_17/frozen_inference_graph.pb'
# 标签映射表
PATH_TO_LABELS = 'data/mscoco_label_map.pbtxt'