一、背景介紹
1. 應用場景
a. 計數： 統計人，車，花甚至是微生物數量，在大部分基於圖像的系統中都要使用，尤其廣泛應用於監控視頻設備系統
b. 視覺搜索引擎：目標檢測作為索引圖像內容的處理流程之一。比如，你可以在不同的背景下找到某個特定的錢包
c. 空中影像分析：應用無人機攝像對人難以到達的地方進行自動監測（例如BetterView）或者使用物體檢測方法進行整體分析（例如TensorFlight）
2. 深度學習模型進階流程
a. overfit：
b.RCNN
c. fast-RCNN
d.YOLO
e.faster-RCNN
f.SSD
g.R-FCN
3. 數據集
a. ImageNet
b. COCO
c. Pascal VOC
d.Oxford-IIIT Pet
e.KITTI Vision
二、模型版本
https://github.com/tensorflow/models/tree/266c7b87251dac41e977f3167f39078954f609dd/research/object_detection
三、走通版本3 （tensorflow 官網）
3.1 安裝環境
a. 下載代碼
git clone https://github.com/tensorflow/models.git
b. 安裝
sudo apt-get install protobuf-compiler python-pil python-lxml
sudo pip install jupyter
sudo pip install matplotlib
c. 配置環境
# From tensorflow/models/research/
protoc object_detection/protos/*.proto --python_out=.
# From tensorflow/models/research/
export PYTHONPATH=$PYTHONPATH:`pwd`:`pwd`/slim
每次打開命令框需要重新輸入export PYTHONPATH=$PYTHONPATH:`pwd`:`pwd`/slim
#######################################################################################
配置路徑，開機啟動，自動遍歷此文件的指令
1>. home/coolpad/.bashr最下方增加：
export PYTHONPATH=$PYTHONPATH:/home/coolpad/models/research:/home/coolpad/models/research/slim
2>. 開機重啟生效，不重啟則需要在命令框運行source /home/coolpad/.bashrc
########################################################################################
d.查看是否配置成功
python object_detection/builders/model_builder_test.py
成功則出現：Ran 11 tests in 0.026s OK
3.2 使用API訓練模型
利用 TF Object Detection API 用COCO-pretrained Faster R-CNN with Resnet-101 model 預訓練遷移訓練一個 Faster RCNN 目標檢測模型，使用faster_rcnn_resnet101網絡訓練 Oxford-IIIT 寵物數據集
a. 下載訓練集
下載圖片：wget http://www.robots.ox.ac.uk/~vgg/data/pets/data/images.tar.gz
解壓圖片：tar -xvf images.tar.gz
下載標注文件：wget http://www.robots.ox.ac.uk/~vgg/data/pets/data/annotations.tar.gz
解壓標注文件：tar -xvf annotations.tar.gz
b.轉tfrecord
python object_detection/create_pet_tf_record.py \
--label_map_path=object_detection/data/pet_label_map.pbtxt \
--data_dir=`pwd` \
--output_dir=`pwd`
c. 下載預訓練的權重
wget http://storage.googleapis.com/download.tensorflow.org/models/object_detection/faster_rcnn_resnet101_coco_11_06_2017.tar.gz
tar -xvf faster_rcnn_resnet101_coco_11_06_2017.tar.gz
e. 建立訓練文件夾
在任何路徑mkdir my_train
將轉換的pet_train.record、pet_val.record復制到此文件夾
將object_detection/data/pet_label_map.pbtxt復制到此文件夾
將object_detection/samples/configs/faster_rcnn_resnet101_pets.config復制到此文件夾
f. 修改faster_rcnn_resnet101_pets.config代碼路徑
將所有的PATH_TO_BE_CONFIGURED替換為my_train 的路徑
將fine_tune_checkpoint: "×××××××" 的×××××替換成下載的預訓練權重的路徑
g.運行訓練
cd /root/myfloder/models/research python3 object_detection/train.py \
--logtostderr \ --pipeline_config_path='./my_train/faster_rcnn_resnet152_pets.config' \
--train_dir='./my_train'
#####################################################################
從頭開始訓練模型：
將 fine_tune_checkpoint: "20170820/model.ckpt"
from_detection_checkpoint: true 改成false
#####################################################################
3.4 查看訓練數據：
tensorboard --logdir='./20180210'
3.5 評估訓練好的網絡
python3 object_detection/eval.py\
--logtostderr \ --pipeline_config_path='./my_train/faster_rcnn_resnet152_pets.config' \
--checkpoint_dir='./my_train/' \
--eval_dir='./my_train/'
以上的步驟已經走通遷移訓練