tensorflow目標檢測API之訓練自己的數據集

1.訓練文件的配置

將生成的csv和record文件都放在新建的mydata文件夾下，並打開object_detection文件夾下的data文件夾，復制一個后綴為.pbtxt的文件到mtdata文件夾下，並重命名為gaoyue.pbtxt

用記事本打開該文件，因為我只分了一類，所以將其他內容刪除，只剩下這一個類別，並將name改為gaoyue。

這時我們擁有的所有文件如下圖所示。

我們在object_detection文件夾下新建一個training文件夾，在里面新建一個記事本文件並命名為 ssd_mobilenet_v1_coco.config

打開，輸入以下代碼，按右邊注釋進行修改

# SSD with Mobilenet v1 configuration for MSCOCO Dataset.
# Users should configure the fine_tune_checkpoint field in the train config as
# well as the label_map_path and input_path fields in the train_input_reader and
# eval_input_reader. Search for "PATH_TO_BE_CONFIGURED" to find the fields that
# should be configured.

model {
  ssd {
    num_classes: 1                          # 你類別的數量，我這里只分了一類
    box_coder {
      faster_rcnn_box_coder {
        y_scale: 10.0
        x_scale: 10.0
        height_scale: 5.0
        width_scale: 5.0
      }
    }
    matcher {
      argmax_matcher {
        matched_threshold: 0.5
        unmatched_threshold: 0.5
        ignore_thresholds: false
        negatives_lower_than_unmatched: true
        force_match_for_each_row: true
      }
    }
    similarity_calculator {
      iou_similarity {
      }
    }
    anchor_generator {
      ssd_anchor_generator {
        num_layers: 6
        min_scale: 0.2
        max_scale: 0.95
        aspect_ratios: 1.0
        aspect_ratios: 2.0
        aspect_ratios: 0.5
        aspect_ratios: 3.0
        aspect_ratios: 0.3333
      }
    }
    image_resizer {
      fixed_shape_resizer {
        height: 300
        width: 300
      }
    }
    box_predictor {
      convolutional_box_predictor {
        min_depth: 0
        max_depth: 0
        num_layers_before_predictor: 0
        use_dropout: false
        dropout_keep_probability: 0.8
        kernel_size: 1
        box_code_size: 4
        apply_sigmoid_to_scores: false
        conv_hyperparams {
          activation: RELU_6,
          regularizer {
            l2_regularizer {
              weight: 0.00004
            }
          }
          initializer {
            truncated_normal_initializer {
              stddev: 0.03
              mean: 0.0
            }
          }
          batch_norm {
            train: true,
            scale: true,
            center: true,
            decay: 0.9997,
            epsilon: 0.001,
          }
        }
      }
    }
    feature_extractor {
      type: 'ssd_mobilenet_v1'
      min_depth: 16
      depth_multiplier: 1.0
      conv_hyperparams {
        activation: RELU_6,
        regularizer {
          l2_regularizer {
            weight: 0.00004
          }
        }
        initializer {
          truncated_normal_initializer {
            stddev: 0.03
            mean: 0.0
          }
        }
        batch_norm {
          train: true,
          scale: true,
          center: true,
          decay: 0.9997,
          epsilon: 0.001,
        }
      }
    }
    loss {
      classification_loss {
        weighted_sigmoid {
        }
      }
      localization_loss {
        weighted_smooth_l1 {
        }
      }
      hard_example_miner {
        num_hard_examples: 3000
        iou_threshold: 0.99
        loss_type: CLASSIFICATION
        max_negatives_per_positive: 3
        min_negatives_per_image: 0
      }
      classification_weight: 1.0
      localization_weight: 1.0
    }
    normalize_loss_by_num_matches: true
    post_processing {
      batch_non_max_suppression {
        score_threshold: 1e-8
        iou_threshold: 0.6
        max_detections_per_class: 100
        max_total_detections: 100
      }
      score_converter: SIGMOID
    }
  }
}

train_config: {
  batch_size: 16                                       # 電腦好的話可以調高點，我電腦比較渣就調成16了
  optimizer {
    rms_prop_optimizer: {
      learning_rate: {
        exponential_decay_learning_rate {
          initial_learning_rate: 0.004
          decay_steps: 800720
          decay_factor: 0.95
        }
      }
      momentum_optimizer_value: 0.9
      decay: 0.9
      epsilon: 1.0
    }
  }

  # Note: The below line limits the training process to 200K steps, which we
  # empirically found to be sufficient enough to train the pets dataset. This
  # effectively bypasses the learning rate schedule (the learning rate will
  # never decay). Remove the below line to train indefinitely.
  num_steps: 200000                   # 訓練的steps
  data_augmentation_options {
    random_horizontal_flip {
    }
  }
  data_augmentation_options {
    ssd_random_crop {
    }
  }
}

train_input_reader: {
  tf_record_input_reader {
    input_path: "mydata/gaoyue_train.record"                 # 訓練的tfrrecord文件路徑
  }
  label_map_path: "mydata/gaoyue.pbtxt"
}

eval_config: {
  num_examples: 8000             # 驗證集的數量
  # Note: The below line limits the evaluation process to 10 evaluations.
  # Remove the below line to evaluate indefinitely.
  max_evals: 10
}

eval_input_reader: {
  tf_record_input_reader {
    input_path: "mydata/gaoyue_test.record"                   # 驗證的tfrrecord文件路徑
  }
  label_map_path: "mydata/gaoyue.pbtxt"
  shuffle: false
  num_readers: 1
}

新建后的文件顯示如下。

 這時，我們訓練的准備工作就做好了。

2.訓練模型

在object_detection文件夾下打開Anaconda Prompt，輸入命令

python model_main.py --pipeline_config_path=training/ssd_mobilenet_v1_coco.config --model_dir=training  --alsologtostderr

 

在訓練過程中如果出現no model named pycocotools的問題的話，請參考這個網址（http://www.mamicode.com/info-detail-2660241.html）解決。親測有效

即：

（1）從https://github.com/pdollar/coco.git 下載源碼，解壓至全英文路徑下。

（2）使用cmd進入解壓后的cocoapi-master/PythonAPI路徑下，輸入python setup.py build_ext --inplace。如果這一步有報錯，請打開set_up.py文件，將其中這兩個參數刪除。

即：

 

（3）上一步執行沒問題之后，繼續在cmd窗口運行命令：python setup.py build_ext install

 

訓練完成后，training文件夾下是這樣的情況

 

 

（如果想觀察訓練過程中參數的變化以及網絡的話，可以打開新的一個Anaconda Prompt cd到object_detection文件夾下

輸入命令：tensorboard --logdir=training），復制出現的網址即可。如圖所示\

如果顯示不出來的話，新建網頁在地址欄輸入http://localhost:6006/（后面的6006是我的端口號，根據你自己的輸入）

3.生成模型

定位到object_detection目錄下，打開Anaconda Promp輸入命令

python export_inference_graph.py \ --input_type image_tensor \ --pipeline_config_path training/ssd_mobilenet_v1_coco.config \ --trained_checkpoint_prefix training/model.ckpt-500 \ --output_directory gaoyue_detection

(注意這兩處標紅的地方，1.    model.ckpt-500是指你訓練的輪數的文件，這里因為我只訓練了500輪，所以改成了500（如下圖中的500）

2.   output_directory是輸出模型的路徑，最好是新建一個文件夾來存放模型，我新建了一個名為gaoyue_detection的模型)

命令執行完成后，打開gaoyue_detection文件夾，里面的內容如圖所示

表示執行成功，這樣，我們用自己數據集訓練的目標檢測模型就做好了

下一節會詳細說我們自己模型的驗證