TensorFlow object detection API

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

 最後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但願數據是TFRecode格式，因此先執行create_pet_tf_record腳原本將Oxford-IIIT pet數據集進行轉換

注：要提早安裝好須要的庫，否則這一步會有很多錯

#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個標準的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

最後結果：

兩個TFRecode文件將會在tensorflow/models/research/下生成，分別爲pet_train_with_mask.record和pet_val_with_mask.record(和例子中給出的不同)

遇到的問題：

• TypeError: __init__() got an unexpected keyword argument 'serialized_options'

protobuf原來用的3.6.1版本，改爲3.5.1就對了

能夠在https://github.com/google/protobuf/releases下載exe文件，而後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。這裏用faster_rcnn_resnet101_pets.config做爲配置的開始。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，後面的/tmp/pycocotools是輸出目錄

.sh文件作的事情：

• 下載https://github.com/cocodataset/cocoapi.git
• 而且建立pycocotools目錄，須要放到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
# 而後解壓到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

能夠把這個項目下載下來，而後在PythonAPI中執行set up

• 原教程中的cd slim&python setup.py sdists，是用來打包的(由於我是本地跑因此沒有執行)

6. 開始訓練和評估

爲了開始訓練和執行，在tensorflow/models/research/ 目錄下執行以下命令 

# 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'

由於個人目錄中nets是在slim下的，只要到py文件中改下路徑就行了 

• 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的參數刪除就能夠了

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，通常包括以下三個文件

• 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

最後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