TensorFlow分步自定义对象检测教程

欢迎阅读TensorFlow对象检测API系列教程的第5部分。首先，您可以在我的GitHub页面上下载代码。然后，在本部分和以后的几篇文章中，我们将介绍如何使用此API跟踪和检测我们自己的自定义对象。GitHub

为此，我使用预构建的模型向其添加自定义检测对象。从我的发现来看，这是一个不错的跳跃，而且很难找到任何完整的分步教程，所以希望我能在这方面对您有所帮助。“™”是我发现的一个不错的跳跃，而且很难找到任何完整的分步教程，所以希望我能在这方面帮助您。完成本教程后，您将能够针对您能想到的任何自定义对象(并为其创建数据)进行培训，在我看来，拥有欧元™是一项了不起的技能。

好的，下面是我对本教程中需要执行的步骤的概述：

• 收集至少500张包含你的对象的图片–欧元“最低限度是100张左右，理想情况下是1000张或更多，但是你拥有的图片越多，第二步就会越乏味；
• 将此数据分成训练/测试样本。训练数据应在80%左右，测试数据应在20%左右；
• 从这些拆分生成TF记录；
• 为选择的模型设置一个.config文件(您可以从头开始训练自己，但我们将使用迁移学习)；
• 培养我们的榜样；
• 从新训练的模型导出推理图；
• 实时检测自定义对象。

我将使用四个我想要检测的不同对象(恐怖分子、恐怖分子头、反恐怖分子和反恐怖分子头)。我过去经常和无害的机器人玩CSGO，收集成百上千张这样的图像，在几个不同的游戏地图上玩。此外，我还从谷歌上抓取了一些图片，让它们与我的游戏有所不同。

标签图片：

最精彩的部分来了。收集了所有图片后，现在是™在每张图片中标记所需对象的时候了。LabelImg是一个很棒的图像标签工具，它的GitHub页面上有关于安装和使用它的不言自明的说明。GitHub

LabelImg GitHub链接LabelImg GitHub link

LabelImg下载链接LabelImg download link

下载并安装LabelImg；在运行此程序时，您应该会看到一个GUI窗口。从这里，选择打开dir并选择保存所有图像的目录。现在，您可以开始使用create rectbox按钮为图像添加注释。画出你的方框，把名字加进去，然后点击“确定”。保存，点击下一个图像，然后重复！接下来，您可以按w键绘制该框，然后按ctrl+s以更快地保存。100张图片平均需要1小时，这取决于你在一张图片中的物体数量。请记住，这可能需要一段时间！

LabelImg保存一个包含每个图像的标签数据的.xml文件。这些.xml文件将用于生成TFRecords，它是TensorFlow Trader的输入之一。标记并保存每个图像后，\test和\Train目录中的每个图像将有一个.xml文件。

一旦您为您的图像贴上标签，我们将把它们分成训练组和测试组。™将把它们分成训练组和测试组。为此，将大约20%的图像及其注释XML文件复制到名为“uro”test的新目录中，然后将其余的复制到名为“uro”Train的新目录中。

有了标记的图像之后，是时候生成TFRecord作为™训练模型的输入数据了。本教程使用EdjeElectronics存储库中的xml_to_csv.py和Generate_tfrecord.py脚本，并对我们的目录结构稍作修改。EdjeElectronics

首先，图像.xml数据将用于创建包含列车和测试图像的所有数据的.csv文件。在主文件夹中，如果您使用相同的文件结构，请在命令提示符下发出以下命令：Python xml_to_csv.py。

这将在CSGO_IMAGES文件夹中创建一个train_labels.csv和test_labels.csv文件。如果您使用不同的文件结构，请相应地将xml_更改为_csv.py。为了避免使用cmd，我创建了一个简短的.bat脚本，名为xml_to_csv.bat。

接下来，在文本编辑器中打开Generate_tfrecord.py文件，该文件也是我从EdjeElectronics存储库获取的。将标签贴图替换为您自己的标签贴图，其中每个对象都指定有一个ID号。配置labelmap.pbtxt文件时将使用相同的编号分配。EdjeElectronics

例如，如果您正在训练自己的分类器，则将替换Generate_tfrecord.py中的以下代码：

# TO-DO replace this with label map
def class_text_to_int(row_label):
    if row_label == 'c':
        return 1
    elif row_label == 'ch':
        return 2
    elif row_label == 't':
        return 3
    elif row_label == 'th':
        return 4
    else:
        return None

然后，通过启动我创建的Generate_tfrecord.bat文件生成TFRecord文件，该文件从本地文件夹发出以下命令：

python generate_tfrecord.py --csv_input=CSGO_images\train_labels.csv --image_dir=CSGO_images\train --output_path= CSGO_images\train.record
python generate_tfrecord.py --csv_input=CSGO_images\test_labels.csv --image_dir=CSGO_images\test --output_path= CSGO_images\test.record

这些行在Training文件夹中生成一个Train.Records和一个test.record文件。这些将用于训练新的目标检测分类器。

培训之前要做的最后一件事是创建标签映射并编辑培训配置文件。标签映射通过定义类名称到类ID号的映射来告诉训练员每个对象是什么。使用文本编辑器创建新文件，并将其另存为Training文件夹中的labelmap.pbtxt。(确保文件类型为.pbtxt)。在文本编辑器中，以与下面相同的格式复制或键入标签映射(下例是我的CSGO检测器的标签映射)。标签映射ID号应该与Generate_tfrecord.py文件中定义的相同。

item {
  id: 1
  name: 'c'
}

item {
  id: 2
  name: 'ch'
}

item {
  id: 3
  name: 't'
}

item {
  id: 4
  name: 'th'
}

配置培训：

最后，必须配置目标检测训练流水线。它定义了将用于培训的模型和参数。这是运行实际培训之前的最后一步。这个教程代码可以在我的GitHub页面上找到。GitHub

导航到TensorFlow Research\Object_Detect\Samples\configs目录，并将FETHER_rcnn_inestation_v2_coco.config文件复制到CSGO_Training目录中。然后，使用文本编辑器打开该文件；我个人使用的是Notepad++。对此.config文件有几处更改，主要是更改类、示例的数量，并将文件路径添加到训练数据。

顺便说一下，路径必须用单正斜杠输入–EUROURFLOW/“，否则在尝试训练模型时，TensorFlow会给出一个文件路径错误。路径必须是双引号(”)，而不是单引号(‘)。

第10行.将num_class更改为您希望分类器检测的不同对象的数量。对于我的CSGO对象检测，它将是：num_class：4line 107。将FINE_TUNE_CHECKPOINT改为：FINE_TUNE_CHECKPOINT：“faster_rcnn_inception_v2_coco_2018_01_28/model.ckpt”Lines 122和124。在TRAIN_INPUT_READER部分中，将INPUT_PATH和LABEL_MAP_PATH更改为：INPUT_PATH：“CSGO_IMAIES/Train.Records”LABEL_MAP_PATH：“CSGO_Training/labelmap.pbtxt”第128行。将num_examples更改为您在CSGO_IMAGES\TEST目录中拥有的图像数量。我有113个图像，所以我将它们更改为：Num_Examples：113行136和138。在eval_input_read部分中，将INPUT_PATH和LABEL_MAP_PATH更改为：INPUT_PATH：“CSGO_IMAIES/test.Records”LABEL_MAP_PATH：“CSGO_Training/labelmap.pbtxt”

在进行更改后保存文件。That-Euro™就是这样！准备并配置用于培训的培训文件。在训练前再走一步。

运行培训：

我还不能让model_main.py正常工作，我遇到了错误。但是，Training.py文件仍然位于/object_Detection/Legacy文件夹中。只需将Train.py从/Object_Detect/Legacy移到/Object_Detect文件夹中即可。将我们创建的CSGO_IMAGES和CSGO_Training文件夹移到/object_Detection文件夹中，然后从object_Detection目录继续cmd中的以下行：

python train.py --logtostderr --train_dir=CSGO_training_dir/ --pipeline_config_path=CSGO_training/faster_rcnn_inception_v2_coco.config

如果一切设置正确，TensorFlow将初始化培训。在实际培训开始之前，初始化可能需要长达30到60秒的时间。当训练开始时，它将看起来是这样的：

在上图中，训练的每个步骤都报告了损失。它将从高开始，随着训练的进行，它会变得越来越低。在我的训练中，它开始于大约2欧元“3，并迅速降到0.5以下。我建议允许您的模型进行训练，直到损失持续下降到0.05以下，这可能需要大约30,000步或大约几个小时(取决于您的CPU或GPU的功能)。使用不同型号时，损失数字可能不同。此外，这取决于您要检测的对象。

您可以使用TensorBoard查看培训进度，而且您应该使用TensorBoard查看培训进度。为此，打开一个新的CMD窗口，转到C：\TensorFlow\Research\Object_Detect目录(或您已有的目录)，然后发出以下命令：

C:\TensorFlow\research\object_detection>tensorboard --logdir=CSGO_training_dir

这将在本地计算机上创建一个本地网页，地址为YourPCName：6006，可以通过Web浏览器查看。TensorBoard页面提供了显示培训进展情况的信息和图表。最重要的图形之一是损失图，它显示分类器随时间的总体损失：

这就是本教程的全部内容–™。在下一个教程中，步骤最多的检查点将用于生成冻结的推理图并对其进行测试。

最初发表于https://pylessons.com/Tensorflow-object-detection-step-by-step-custom-object-detectionhttps://pylessons.com/Tensorflow-object-detection-step-by-step-custom-object-detection