首页 > 分享 > TensorFlow 训练自己的目标检测器

TensorFlow 训练自己的目标检测器

花匠小妙招
2024-11-12 06:24

TensorFlow 训练自己的目标检测器

本文主要描述如何使用 Google 开源的目标检测 API 来训练目标检测器，内容包括：安装 TensorFlow/Object Detection API 和使用 TensorFlow/Object Detection API 训练自己的目标检测器。

一、安装 TensorFlow Object Detection API

Google 开源的目标检测项目 object_detection 位于与 tensorflow 独立的项目 models（独立指的是：在安装 tensorflow 的时候并没有安装 models 部分）内：models/research/object_detection。models 部分的 GitHub 主页为：

https://github.com/tensorflow/models

要使用 models 部分内的目标检测功能 object_detection，需要用户手动安装 object_detection。下面为详细的安装步骤：

1. 安装依赖项 matplotlib，pillow，lxml 等

使用 pip/pip3 直接安装：

$ sudo pip/pip3 install matplotlib pillow lxml1

其中如果安装 lxml 不成功，可使用

$ sudo apt-get install python-lxml python3-lxml1

安装。

2. 安装编译工具

$ sudo apt install protobuf-compiler $ sudo apt-get install python-tk $ sudo apt-get install python3-tk123 3. 克隆 TensorFlow models 项目

使用 git 克隆 models 部分到本地，在终端输入指令：

$ git clone https://github.com/tensorflow/models.git1

克隆完成后，会在终端当前目录出现 models 的文件夹。要使用 git（分布式版本控制系统），首先得安装 git：$ sudo apt-get install git。

4. 使用 protoc 编译

在 models/research 目录下的终端执行：

$ protoc object_detection/protos/*.proto --python_out=.1

将 object_detection/protos/ 文件下的以 .proto 为后缀的文件编译为 .py 文件输出。

5. 配置环境变量

在 .bashrc 文件中加入环境变量。首先打开 .bashrc 文件：

$ sudo gedit ~/.bashrc1

然后在文件末尾加入新行：

export PYTHONPATH=$PYTHONPATH:/.../models/research:/.../modes/research/slim1

其中省略号所在的两个目录需要填写为 models/research 文件夹、models/research/slim 文件夹的完整目录。保存之后执行如下指令：

$ source ~/.bashrc1

让改动立即生效。

6. 测试是否安装成功

在 models/research 文件下执行：

$ python/python3 object_detection/builders/model_builder_test.py1

如果返回 OK，表示安装成功。

二、训练 TensorFlow 目标检测器

成功安装好 TensorFlow Object Detection API 之后，就可以按照 models/research/object_detection 文件夹下的演示文件 object_detection_tutorial.ipynb 来查看 Google 自带的目标检测的检测效果。其中，Google 自己训练好后的目标检测器都放在：

https://github.com/tensorflow/models/blob/master/research/object_detection/g3doc/detection_model_zoo.md

可以自己下载这些模型，一一查看检测效果。以下，假设你把某些预训练模型下载好了，放在models/ research/ object_detection 的某个文件夹下，比如自定义文件夹 pretrained_models。

要训练自己的模型，除了使用 Google 自带的预训练模型之外，最关键的是需要准备自己的训练数据。

以下，详细列出训练过程（后续部分文章将详细介绍一些目标检测算法）：

1. 准备标注工具和文件格式转化工具

图像标注可以使用标注工具 labelImg，直接使用

$ sudo pip install labelImg1

安装（当前好像只支持Python2.7）。另外，在此之前，需要安装它的依赖项 pyqt4：

$ sudo apt-get install pyqt4-dev-tools1

（另一依赖项 lxml 前面已安装）。要使用 labelImg，只需要在终端输入 labelImg 即可。

为了方便后续数据格式转化，还需要准备两个文件格式转化工具：xml_to_csv.py 和 generate_tfrecord.py，它们的代码分别列举如下（它们可以从资料 [1] 中 GitHub 项目源代码链接中下载。其中为了方便一般化使用，我已经修改 generate_tfrecord.py 的部分内容使得可以自定义图像路径和输入 .csv 文件、输出 .record 文件路径，以及 6 中的 xxx_label_map.pbtxt 文件路径）：

(1) xml_to_csv.py 文件源码：

import os import glob import pandas as pd import xml.etree.ElementTree as ET def 1234567