TensorFlow+SSD编程实战及模型优化（一）

最新推荐文章于 2023-02-08 17:28:51 发布
最新推荐文章于 2023-02-08 17:28:51 发布
阅读量850 收藏 2
点赞数 1
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/zjc20172333086/article/details/106172761
版权

一.SSD模型详细介绍

1背景：Single Shot MultiBox Detector (one-stage方法）

.Wei Liu在ECCV 2016提出

.端到端的训练，不存在候选框提取这个过程，采用anchor机制

.直接回归目标类别和位置

.不同尺度的特征图上进行预测

2.网络框架

每一个方格为一个卷积层 ，主干网络为VGGNet，将VGG-16最后两个fc层替换为两个卷积层，在经过多次下采样，6个连线对应6种特征图，多尺度Feature Map预测，在检测层对目标区域的目标类别和坐标的预测，定义Default bounding boxes来完成类别分数，偏移量的预测。

3.Anchor

这里的每个正方形格子都代表了当前feature map的一个点 ，anchor就是指特征图（包含了多通道）上的每一个点，每个点我们会将他映射到原图中，1个anchor对应多个region的中心点，多个region通过采取不同尺寸和不同长宽比来提取，具体提取哪些区域呢，我们通过两个参量（scale和长宽比）来决定。

4.Default box

假设一个特征图有m*n个anchor,每个单元对应k个default box,每个default box预测c个类别概率分布和4个坐标，输出有（c+4)*k*m*n个值

实际选择的default box称为Prior box

5.损失函数

分类损失（softmax)+回归损失（Smootn-L1)

6.样本构造

.正样本：1.从GT box出发找到最匹配的prior box放入候选正样本集

                  2.从prior box集出发，寻找与GT box满足IOU>0.5的最大prior box放入候选正样本集

.负样本：难例挖掘（难分的样本，常用方法为OHEM），正负样本比1：3

7.数据增强

（1）随机采样多个区域,与物体之间最小的jaccard overlap（IOU）为：0.1,0.3,0.5,0.7与0.9

（2）采样的区域比例是【0.3,1.0】,aspect ratio（长宽比） 在0.5或2

（3）GTbox中心在采样区域中且面积大于0

（4）Resize到固定大小

（5）以0.5的概率随机的水平翻转

二.TensorFlow+SSD环境搭建

1.安装TensorFlow-gpu版本1.12以上;下载框架：https://github.com/tensorflow/models/tree/master/research/object_detection;安装说明：https://github.com/tensorflow/models/blob/master/research/object_detection/g3doc/installation.md

按照上面的步骤安装

因为我用的是tf1.13.1

说一下我测试遇到的错误:

解决：用pycharm打开mobilenet.py文件，修改：

之后在research文件路径下运行python3 object_detection/builders/model_builder_test.py

出现以下结果，说明环境装好：

三.人脸检测数据清洗与数据打包

我们使用WIDER FACE数据集，由香港中文大学提出的，包括32203个图像和393703个人脸图像，有在尺度，姿势，遮挡，表情，装扮，光照变化的图像，从61个事件中提取的，对于每个事件类别，选取其中的40%作为训练集，10%用于交叉验证，50%作为测试集

对于数据打包呢，我们首先转化为Passcal VOC格式，再转化为TFrecord

Passcal VOC

主要有三个重要的文件夹：Annotations,ImageSets和JPEGImages

在Annotations和JPEGImages文件夹下分别存放标注信息和图片，两文件的命名是相同的，只是格式不同，Annotation会指向JPEGImages下的图片

在ImageSets存放着我们训练和测试要用到的文件列表，我们会根据文件列表将数据集划分为训练集，测试集和验证集

下载数据集：http://shuoyang1213.me/WIDERFACE/

下载下来如下：

其中标注文件在wider_face_split.zip中，打开压缩包：

打开其中一个标注信息（这里打开列表中第5个文件）：

第一行是图片的路径，第二行是当前图片人脸的个数，第三行的前4个值（前两个是左上角的坐标，后两个是人脸框的大小）是人脸框的坐标信息，后面6个值对应着

我们会根据后面6个值进行清洗，去掉一些样本，使得我们的模型对当前的任务更加匹配

接下来我们打开WIDER_train文件下的images文件：

一共61个文件，对应到61个不同的场景

接下来我们需要将图片和真值文件转化为VOC格式数据集

完整代码我已上传：https://download.csdn.net/download/zjc20172333086/12456618

金乘
关注
  • 1
    点赞
  • 踩
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
探秘TensorFlow实现的SSD：高效目标检测利器
gitblog_00077的博客
04-01 438
探秘TensorFlow实现的SSD：高效目标检测利器 项目地址:https://gitcode.com/lslcode/SSD_for_Tensorflow 在这个数字化的世界里，图像识别和目标检测是人工智能领域的重要组成部分。而SSD_for_Tensorflow是一个基于Google的深度学习框架TensorFlow实现的Single Shot MultiBox Detector (SSD...
在tensorflow下实现SSD的目标检测
MALLAIN的博客
11-19 561
训练自己的数据集环境配置1.生成数据集2.训练数据3.根据自己生成的模型进行预测4.总结 环境配置 tensorflow-gpu == 1.15.0 keras == 2.3.1 (可以不用安装) CUDN == 10.0 CUDNN == 7.6 1.生成数据集 在SSD目标检测中需要将VOC数据集转化成.tf格式。 运行tf_convert_data.py文件 #需要编辑的代码 import tensorflow as tf from datasets import pascalvoc_to_tfr
【深度学习SSD】——深刻解读SSD tensorflow及源码详解
c20081052的专栏
05-22 4万+
本文主要针对SSD的tensorflow框架下的实现的源码解读即对网络模型的理解。 【前言】 首先在github上下载tensorflow版的SSD repository：https://github.com/balancap/SSD-Tensorflow 同时附上论文地址：SSD 论文下载 解压SSD-Tensorflow-master.zip 到自己工作目录下。 S...
Tensorflow SSD实现与理解
章川的专栏
07-15 1042
Tensorflow SSD实现与理解1. 论文解读2. 网络结构3. 计算量评估4. TensorFlow 实现5. NVIDIA NANO嵌入式实现欢迎使用Markdown编辑器新的改变功能快捷键合理的创建标题，有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚...
使用 TensorFlow Object Detection API 进行实时目标检测（基于 SSD 模型）
机器学习深度学习业余选手
02-08 1138
使用 TensorFlow Object Detection API 进行实时目标检测（基于 SSD 模型）
SSD-tensorflow
02-12
python实现的，谷歌的tensorflow框架，打开可以直接运行，本人已经亲自试验，效果不错
交通标志识别-基于TensorFlow+SSD实现道路交通标志识别-优质项目实战.zip
最新发布
03-28
交通标志识别_基于TensorFlow+SSD实现道路交通标志识别_优质项目实战
Tensorflow+OpenCV实战行人检测.zip
08-27
在掌握opencv与tensorflow基础知识的基础上，使用tensorflow object detection API与opencv dnn 模块，实现从数据标注与tf record数据生成，SSD模型迁移学习训练，模型导出在tensorflow中使用，OpenCV DNN模块中使用...
Ubuntu16.04下tensorflow+SSD实现（人脸，通用物体）目标检测，环境的搭建与测试以及搭建环境的踩坑环节的梳理（一）
12-21
Ubuntu16.04下tensorflow+SSD实现（人脸，通用物体）目标检测，环境的搭建与测试以及搭建环境的踩坑环节的梳理（一） 开发环境：Ubuntu16.04、cuda、cudnn 语言：Python3.5（也可以Python3.6） 框架：tensorflow1.12...
视频+tensorflow+javascript+前端ai识别
03-01
3、使用yolo和ssd两种模型进行视频的ai识别 4、核心库为package.json "@tensorflow/tfjs": "^4.1.0", "@tensorflow/tfjs-backend-cpu": "^4.1.0", "@tensorflow/tfjs-backend-webgl": "^4.1.0", "@tensorflow/...
基于tensorflow的SSD+SORT多目标跟踪源码
12-19
来源https://blog.csdn.net/ycc2011/article/details/85094651 根据上面两个代码，自己修改了对应的检测和关联数据接口； ！！！使用视频流作为数据输入，并输出对应的每帧图像到对应目录，同时显示追踪过程到屏幕上。具体可参考对应源码。 从文件夹中的notebook进入，修改对应视频数据流源地址和对应追踪关联后的输出数据。 我需要一些csdn下载积分供自己以后用，所以设置了分值。。。
把SSD-tensorflow移植到Jetson-TX2经验总结
Learning from the mistakes
12-12 5750
最近由于项目的需要，需要把SSD-tensorflow 的代码移植到Jetson-TX2上来看看效果，结果还是不尽人意，我们测试的结果是每秒只能2帧左右，确实很慢，不过精度还是可以的。我这里把移植的过程分享出来。 首先需要装一些东西，命令如下： 由于可能pip库里面没有很多包，一般我建议采取apt-get来安装 sudo apt-get install python-pip sudo p
TensorFlow自己训练的SSD mobilenet模型 安卓移植
Ivy_yijing1115的博客
01-18 8157
在做本项目之前，是一个非常非常小白的半吊子深度学习爱好者，但是一个月来接触了并主导了一个计算机视觉小项目，收获颇多。这篇文章详细介绍一下从0到apk的一个TensorFlow模型移植的demo。不得不说，Google真是非常强大，尤其是TensorFlow和Android出自一家，使两者的迁移降低了很大难度。由于之前从未接触过Android开发，因此下面主要分为以下几部分来实现：1. 模型准备（生
亲测：使用tensorflow的API训练ssd模型
maguall的博客
03-18 2353
从零开始到最后成功的操作过程： （1）首先下载models，本地路径结构为～/tensorflow/models，其中～表示本地的home路径，然后在models中的research路径下执行下列两条命令 protoc object_detection/protos/*.proto --python_out=. export PYTHONPATH="${PYTHONPATH}:～/tensorfl...
目标检测SSD+Tensorflow 训练自己的数据集
热门推荐
06-04 6万+
1.代码地址：https://github.com/balancap/SSD-Tensorflow，下载该代码到本地 2.解压ssd_300_vgg.ckpt.zip 到checkpoint文件夹下 3.测试一下看看，在notebooks中创建demo_test.py,其实就是复制ssd_notebook.ipynb中的代码，该py文件是完成对于单张图片的测试，对Jupyter不熟，就自己...
SSD-Tensorflow训练总结
Learning from the mistakes
10-30 2万+
感想 今天我测试了一下我自己训练的模型，和YOLOv2做了一下对比，检测的都是对的，YOLOv2版本的准确率不高，但是SSD有很多没有检测出来，召回率不怎么高。 1 制作数据集 最麻烦的是制作voc数据集，我这里用了公司的数据集生成器产生了很多张图片，总量大概有25000张左右。按照voc格式，把图片放在 JPEGImages目录下，xml格式的文件放在Annotations目录下
SSD-TensorFlow源码解析
improving
05-23 443
参考链接：https://www.jianshu.com/p/772316cf6f42 https://blog.csdn.net/AECHO1/article/details/81196498 https://blog.csdn.net/stesha_chen/article/details/83269299 ...
Ubuntu16.4下tensorflow+SSD人脸检测 环境搭建（二）
欢迎来到我的博客空间！
11-22 392
Ubuntu16.4下tensorflow+SSD人脸检测 环境搭建前言一、下载并放置model1.下载：http://github.com/tensorflow/model.git2. 放置model1.查看环境所在位置2.进入该环境二、配置model注意1：此时进入环境1.打开安装手册2.安装1）安装tensorflow2）安装依赖包3)下载编译 COCO API下载编译4）protoc下载编译报错5）添加变量 注意2：在Anaconda特定环境下pip=pip3验证6）测试报错1 numpy版本低报错
ESP32 +SSD1306写一个简单的烟花动画
06-07
好的，下面是ESP32+SSD1306实现简单烟花动画的代码，你可以参考一下： 首先，你需要准备好ESP32和SSD1306 OLED屏幕，并在Arduino IDE中安装ESP32和SSD1306的库。 然后，打开Arduino IDE，新建一个空白文件，命名为firework.ino，将以下代码复制粘贴到文件中： ```C++ #include <Wire.h> #include <Adafruit_GFX.h> #include <Adafruit_SSD1306.h> #define SCREEN_WIDTH 128 // OLED屏幕宽度 #define SCREEN_HEIGHT 64 // OLED屏幕高度 #define OLED_RESET -1 // OLED屏幕复位引脚 #define SCREEN_ADDRESS 0x3C // OLED屏幕I2C地址 Adafruit_SSD1306 display(SCREEN_WIDTH, SCREEN_HEIGHT, &Wire, OLED_RESET); void setup() { Wire.begin(); display.begin(SSD1306_SWITCHCAPVCC, SCREEN_ADDRESS); // 初始化OLED屏幕 display.clearDisplay(); // 清空屏幕 display.display(); } void loop() { firework(10, 10, 5); // 在(10,10)位置绘制半径为5的烟花 delay(1000); // 等待1秒 } void firework(int x, int y, int r) { int colors[6][3] = { // 定义颜色数组，用于绘制烟花 {255, 255, 255}, // 白色 {255, 0, 0}, // 红色 {0, 255, 0}, // 绿色 {0, 0, 255}, // 蓝色 {255, 255, 0}, // 黄色 {255, 0, 255} // 紫色 }; for(int i=0; i<6; i++) { // 循环绘制6个小圆点 display.fillCircle(x, y, r, SSD1306_WHITE); // 绘制白色小圆点 display.fillCircle(x, y, r-1, colors[i][0]<<16 | colors[i][1]<<8 | colors[i][2]); // 绘制彩色小圆点 display.display(); // 更新屏幕显示 delay(100); // 等待100毫秒 } } ``` 代码中，我们使用Adafruit_SSD1306库实现了OLED屏幕的控制，通过firework函数绘制烟花动画。在loop函数中，我们调用firework函数在屏幕上绘制一个半径为5的烟花，然后等待1秒。 firework函数中，我们使用一个颜色数组来绘制彩色烟花，循环绘制6个小圆点，并依次填充不同的颜色，最后更新屏幕显示。 完成代码编写后，将ESP32连接到电脑上，选择正确的开发板和端口，编译并上传代码。屏幕上将会显示一个简单的烟花动画。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值