使用TensorFlow框架基於SSD算法訓練模型

本文轉載自查看原文 2020-09-22 14:43 853 深度學習/ 人臉識別

　　內容引用其它文章：https://my.oschina.net/u/876354/blog/1927351

目標檢測是AI的一項重要應用，通過目標檢測模型能在圖像中把人、動物、汽車、飛機等目標物體檢測出來，甚至還能將物體的輪廓描繪出來，就像下面這張圖。

在動手訓練自己的目標檢測模型之前，建議先了解一下目標檢測模型的原理（見文章：大話目標檢測經典模型RCNN、Fast RCNN、Faster RCNN，以及Mark R-CNN），這樣才會更加清楚模型的訓練過程。

本文將在我們前面搭建好的AI實戰基礎環境上（見文章：AI基礎環境搭建），基於SSD算法，介紹如何使用自己的數據訓練目標檢測模型。SSD，全稱Single Shot MultiBox Detector（單鏡頭多盒檢測器），是Wei Liu在ECCV 2016上提出的一種目標檢測算法，是目前流行的主要檢測框架之一。

本案例要做的識別便是在圖像中識別出熊貓，可愛吧，呵呵

下面按照以下過程介紹如何使用自己的數據訓練目標檢測模型：

1、安裝標注工具
要使用自己的數據來訓練模型，首先得先作數據標注，也就是先要告訴機器圖像里面有什么物體、物體在位置在哪里，有了這些信息后才能來訓練模型。
（1）標注數據文件
目前流行的數據標注文件格式主要有VOC_2007、VOC_2012，該文本格式來源於Pascal VOC標准數據集，這是衡量圖像分類識別能力的重要基准之一。本文采用VOC_2007數據格式文件，以xml格式存儲，如下：

其中重要的信息有：
filename：圖片的文件名
name：標注的物體名稱
xmin、ymin、xmax、ymax：物體位置的左上角、右下角坐標

（2）安裝標注工具
如果要標注的圖像有很多，那就需要一張一張手動去計算位置信息，制作xml文件，這樣的效率就太低了。
所幸，有一位大神開源了一個數據標注工具labelImg，可以通過可視化的操作界面進行畫框標注，就能自動生成VOC格式的xml文件了。該工具是基於Python語言編寫的，這樣就支持在Windows、Linux的跨平台運行，實在是良心之作啊。安裝方式如下：
a. 下載源代碼
通過訪問labelImg的github頁面（https://github.com/tzutalin/labelImg），下載源代碼。可通過git進行clone，也可以直接下載成zip壓縮格式的文件。

在本案例中直接下載成zip文件。
b.安裝編譯
解壓labelImg的zip文件，得到LabelImg-master文件夾。
labelImg的界面是使用PyQt編寫的，由於我們搭建的基礎環境使用了最新版本的anaconda已經自帶了PyQt5，在python3的環境下，只需再安裝lxml即可，進入LabelImg-master目錄進行編譯，代碼如下：

#激活虛擬環境 source activate tensorflow #在python3環境中安裝PyQt5（anaconda已自帶），如果是在python2環境下，則要安裝PyQt4，PyQt4的安裝方式如下 #conda install -c anaconda pyqt=4.11.4 #安裝xml conda install xml #編譯 make qt5py3 #打開標注工具 python3 labelImg.py

成功打開labelImg標注工具的界面如下：

2、標注數據
成功安裝了標注工具后，現在就來開始標注數據了。
（1）創建文件夾
按照VOC數據集的要求，創建以下文件夾
Annotations：用於存放標注后的xml文件
ImageSets/Main：用於存放訓練集、測試集、驗收集的文件列表
JPEGImages：用於存放原始圖像

（2）標注數據
將熊貓圖片集放在JPEGImages文件夾里面（熊貓的美照請找度娘要哦~），注意圖片的格式必須是jpg格式的。
打開labelImg標注工具，然后點擊左側的工具欄“Open Dir”按鈕，選擇剛才放熊貓的JPEGImages文件夾。這時，主界面將會自動加載第一張熊貓照片。

點擊左側工具欄的“Create RectBox”按鈕，然后在主界面上點擊拉個矩形框，將熊貓圈出來。圈定后，將會彈出一個對話框，用於輸入標注物體的名稱，輸入panda作為熊貓的名稱。

然后點擊左側工具欄的“Save”按鈕，選擇剛才創建的Annotations作為保存目錄，系統將自動生成voc_2007格式的xml文件保存起來。這樣就完成了一張熊貓照片的物體標注了。

接下來點擊左側工具欄的“Next Image”進入下一張圖像，按照以上步驟，畫框、輸入名稱、保存，如此反復，直到把所有照片都標注好，保存起來。

（3）划分訓練集、測試集、驗證集
完成所有熊貓照片的標注后，還要將數據集划分下訓練集、測試集和驗證集。
在github上下載一個自動划分的腳本（https://github.com/EddyGao/make_VOC2007/blob/master/make_main_txt.py）
然后執行以下代碼

python make_main_txt.py

將會按照腳本里面設置的比例，自動拆分訓練集、測試集和驗證集，將相應的文件名列表保存在里面。

3、配置SSD
（1）下載SSD代碼
由於本案例是基於tensorflow的，因此，在github上下載一個基於tensorflow的SSD，地址是 https://github.com/balancap/SSD-Tensorflow

以zip文件的方式下載下來，然后解壓，得到SSD-Tensorflow-master文件夾
（2）轉換文件格式
將voc_2007格式的文件轉換為tfrecord格式，tfrecord數據文件tensorflow中的一種將圖像數據和標簽統一存儲的二進制文件，能更加快速地在tensorflow中復制、移動、讀取和存儲等。
SSD-Tensorflow-master提供了轉換格式的腳本，轉換代碼如下：

DATASET_DIR=./panda_voc2007/　　# 自己創建的文件夾./VOC2007
OUTPUT_DIR=./panda_tfrecord/　　# 希望放到某個位置./tfrecord/　　　　
以上兩種參數在代碼中可以設定默認值

python SSD-Tensorflow-master/tf_convert_data.py --dataset_name=pascalvoc --dataset_dir=${DATASET_DIR} --output_name=voc_2007_train --output_dir=${OUTPUT_DIR}

（3）修改物體類別
由於是我們自定義的物體，因此，要修改SSD-Tensorflow-master中關於物體類別的定義，打開SSD-Tensorflow-master/datasets/pascalvoc_common.py文件，進行修改，將VOC_LABELS中的其它無關類別全部刪掉，增加panda的名稱、ID、類別，如下：

VOC_LABELS = {
    'none': (0, 'Background'), 'panda': (1, 'Animal'), }

4、下載預訓練模型
SSD-Tensorflow提供了預訓練好的模型，基於VGG模型（要了解VGG模型詳情，請閱讀文章：大話經典CNN經典模型VGG），如下表：

但這些預訓練的模型文件都是存儲在drive.google.com上，因此，無法直接下載。只能通過“你懂的”方式進行下載，在這里下載SSD-300 VGG-based預訓練模型，得到文件：VGG_VOC0712_SSD_300x300_ft_iter_120000.ckpt.zip，然后進行解壓

5、訓練模型
終於把標注文件、SSD模型都准備好了，現在准備開始來訓練了。
在訓練模型之前，有個參數要修改下，打開SSD-Tensorflow-master/train_ssd_network.py找到里面的DATA_FORMAT參數項，如果是使用cpu訓練則值為NHWC，如果是使用gpu訓練則值為NCHW，如下：

DATA_FORMAT = 'NCHW'  # gpu # DATA_FORMAT = 'NHWC'    # cpu

現在終於可以開始來訓練了，打開終端，切換conda虛擬環境

source activate tensorflow

然后執行以下命令，開始訓練

# 使用預訓練好的 vgg_ssd_300 模型  DATASET_DIR=./ panda_tfrecord TRAIN_DIR=./panda_model CHECKPOINT_PATH=./model_pre_train/VGG_VOC0712_SSD_300x300_ft_iter_120000.ckpt/VGG_VOC0712_SSD_300x300_ft_iter_120000.ckpt python3 SSD-Tensorflow-master/train_ssd_network.py \     --train_dir=${TRAIN_DIR} \     --dataset_dir=${DATASET_DIR} \     --dataset_name=pascalvoc_2007 \     --dataset_split_name=train \     --model_name=ssd_300_vgg \     --checkpoint_path=${CHECKPOINT_PATH} \     --save_summaries_secs=60 \     --save_interval_secs=600 \     --weight_decay=0.0005 \     --optimizer=adam \     --learning_rate=0.0001 \     --batch_size=16

其中，根據自己電腦的性能情況，設置batch_size的值，值越大表示批量處理的數量越大，對機器性能的要求越高。如果電腦性能普通的，則可以設置為8，甚至4，土豪請忽略。
學習率learning_rate也可以根據實際情況調整，學習率越小則越精確，訓練的時間也越長，學習率越大則可縮短訓練時間，但就會降低精准度。

在這里使用預訓練好的模型，SSD將會鎖定VGG模型的一些參數進行訓練，這樣能在較短的時間內完成訓練。

6、使用模型
SSD模型訓練好了，現在要來使用了，使用的方式也很簡單。
SSD-Tensorflow-master自帶了一個notebooks腳本，可通過jupyter直接使用模型。
先安裝jupyter，安裝方式如下：

conda install jupyter
或
pip install jupyter

然后啟動jupyter-notebook，代碼如下：

jupyter-notebook SSD-Tensorflow-master/notebooks/ssd_notebook.ipynb

啟動后在SSD 300 Model的代碼塊設置模型的路徑和名稱

然后在最后的代碼塊中，設置要測試的圖像路徑path

然后點擊菜單“Cell”，點擊子菜單“Run All”，便能按順序全部執行代碼，並顯示出結果出來

執行后，可愛的熊貓就被圈出來了

經過以上步驟，我們便使用了自己的數據完成了目標檢測模型的訓練。只要以后還有物體檢測的需求，然后找相關的圖片集進行標注，標注后進行模型訓練，就能完成一個定制化的目標檢測模型了，非常方便，希望本案例對大家能有所幫助。

使用jupyter時遇到的錯誤：

　　1. 剛剛進入軟件，沒有執行任何操作時，右上角紅色模塊提示error錯誤，點開后最下邊提示pywin32錯誤。

　　　　解決： 降低pywin32版本 pip install pywin32==223

推薦相關閱讀

免責聲明！

本站轉載的文章為個人學習借鑒使用，本站對版權不負任何法律責任。如果侵犯了您的隱私權益，請聯系本站郵箱yoyou2525@163.com刪除。

猜您在找 使用tensorflow訓練SSD（一）：相關環境的配置搭建 MobileNet-SSD 開發環境並使用 VOC 數據集訓練 TensorFlow 模型 SSD-tensorflow-3 重新訓練模型（vgg16）使用SSD檢測框架訓練自己的數據使用TensorFlow訓練模型的基本流程 tensorflow如何使用ＴＰＵ訓練模型 Tensorflow + MobileNetv2_SSD 訓練 caffe-ssd使用預訓練模型做目標檢測【tensorflow2.0】使用單GPU訓練模型【tensorflow2.0】使用TPU訓練模型