cloud執行：https://github.com/tensorflow/models/blob/master/research/object_detection/g3doc/running_pets.md
本地執行：https://github.com/tensorflow/models/blob/master/research/object_detection/g3doc/running_locally.md
1. 獲取數據Oxford-IIIT Pets Dataset
# From tensorflow/models/research/ wget http://www.robots.ox.ac.uk/~vgg/data/pets/data/images.tar.gz wget http://www.robots.ox.ac.uk/~vgg/data/pets/data/annotations.tar.gz # 解壓 tar -xvf images.tar.gz tar -xvf annotations.tar.gz
最后tensorflow/models/research/下文件結構
| images/ annotations/ object_detection/ others |
2. 對數據進行轉換
Tensorflow Object Detection API希望數據是TFRecode格式，所以先執行create_pet_tf_record腳本來將Oxford-IIIT pet數據集進行轉換
注：要提前安裝好需要的庫，不然這一步會有不少錯
#From tensorflow/models/research/ python object_detection/dataset_tools/create_pet_tf_record.py \ --label_map_path=object_detection/data/pet_label_map.pbtxt \ --data_dir=`pwd` \ --output_dir=`pwd` # 在tensorflow/models/research/會生成10個標准的TFRecord文件：pet_faces_train.record-* pet_faces_val.record-* cp pet_faces_train.record-* /tensorflow/models/research/object_detection/data cp pet_faces_val.record-* /tensorflow/models/research/object_detection/data cp object_detection/data/pet_label_map.pbtxt ${YOUR_DIRECTORY}/data/pet_label_map.pbtxt
最后結果：
兩個TFRecode文件將會在tensorflow/models/research/下生成，分別為pet_train_with_mask.record和pet_val_with_mask.record(和例子中給出的不一樣)
遇到的問題：
- TypeError: __init__() got an unexpected keyword argument 'serialized_options'
protobuf原來用的3.6.1版本，改成3.5.1就對了
可以在https://github.com/google/protobuf/releases下載exe文件，然后在系統變量中配置其路徑
- NewRandomAccessFile failed to Creat/Open: xxxx No such process
文件的路徑寫錯了，沒有找到相應的文件
3. 下載已經訓練好的COCO模型
下載訓練好的模型，且放到data目錄下
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 cp faster_rcnn_resnet101_coco_11_06_2017/model.ckpt.* ${YOUR_DIRECTORY}/data/
4. 配置對象檢測pipeline
Tensorflow Object Detection API中模型參數、訓練參數、評估參數都是在一個config文件中配置
object_detection/samples/configs下式一些object_detection配置文件的結構。這里用faster_rcnn_resnet101_pets.config作為配置的開始。搜索文件中的PATH_TO_BE_CONFIGURED，並修改，主要是數據存放的路徑
5. object dectection代碼進行打包
調用.sh文件，后面的/tmp/pycocotools是輸出目錄
.sh文件做的事情：
- 下載https://github.com/cocodataset/cocoapi.git
- 並且創建pycocotools目錄，需要放到object_detection下
# From tensorflow/models/research/ # 下載pycocotools-2.0.tar到/tmp/pycocotools下 bash object_detection/dataset_tools/create_pycocotools_package.sh /tmp/pycocotools # 然后解壓到object_detection/下 tar -xvf faster_rcnn_resnet101_coco_11_06_2017.tar.gz /object_detection # 進入PythonAPI，調用setup.py python setup.py
問題：
- cl: 命令行 error D8021 :無效的數值參數“/Wno-cpp”
https://blog.csdn.net/heiheiya/article/details/81128749
可以把這個項目下載下來，然后在PythonAPI中執行set up
- 原教程中的cd slim&python setup.py sdists，是用來打包的(因為我是本地跑所以沒有執行)
6. 開始訓練和評估
為了開始訓練和執行，在tensorflow/models/research/ 目錄下執行如下命令
# From tensorflow/models/research/ python object_detection/model_main.py --pipeline_config_path=${YOUR_DIRECTORY}\object_detection\samples\configs\faster_rcnn_resnet101_pets.config --model_dir=${YOUR_DIRECTORY}\object_detection\data --num_train_steps=50000 --num_eval_steps=2000 --alsologtostderr
問題：
- \object_detection\models\faster_rcnn_inception_resnet_v2_feature_extractor.py", line 28, in <module> from nets import inception_resnet_v2 ModuleNotFoundError: No module named 'nets'
因為我的目錄中nets是在slim下的，只要到py文件中改下路徑就好了
- File "xx\tensorflow\models\research\object_detection\core\post_processing.py", line 150, in multiclass_non_max_suppressionscore_threshold=score_thresh)TypeError: non_max_suppression() got an unexpected keyword argument 'score_threshold'
post_processing.py中把multiclass_non_max_suppression的參數刪除就可以了
7. tensorboard對過程進行監視
tensorboard --logdir=${YOUR_DIRECTORY}/model_dir
8. 導出tensorflow圖
文件保存在${YOUR_DIRECTORY}/model_dir，一般包括如下三個文件
- model.ckpt-${CHECKPOINT_NUMBER}.data-00000-of-00001
- model.ckpt-${CHECKPOINT_NUMBER}.index
- model.ckpt-${CHECKPOINT_NUMBER}.meta
找到一個要導出的checkpoint，執行命令
# From tensorflow/models/research/cp ${YOUR_DIRECTORY}/model_dir/model.ckpt-${CHECKPOINT_NUMBER}.* . python object_detection/export_inference_graph.py \ --input_type image_tensor \ --pipeline_config_path object_detection/samples/configs/faster_rcnn_resnet101_pets.config \ --trained_checkpoint_prefix model.ckpt-${CHECKPOINT_NUMBER} \ --output_directory exported_graphs
最后exported_graphs中包含保存的模型和圖
9. 一些小坑
- 原來用git clone來下models文件，很容易失敗。直接下載models.zip會快一些