/mobilenet_frame

Primary LanguagePython

模型训练

一.数据准备

1.使用labelImg工具标注图片样本；

2.图片样本保存于images目录中，xml格式的标注数据保存到merged_xml中；

3.运行train_test_split.py，将标注数据集分为了train、test、validation三部分，并存于annotations目录中；

4.运行xml_to_csv.py，将xml转为csv文件，并保存在data目录中；

5.生成tfrecords文件

python generate_tfrecord.py --csv_input=data/detection_train_labels.csv --output_path=data/detection_train.tfrecord  

python generate_tfrecord.py --csv_input=data/detection_validation_labels.csv --output_path=data/detection_validation.tfrecord  

python generate_tfrecord.py --csv_input=data/detection_test_labels.csv --output_path=data/detection_test.tfrecord

训练

1.在data目录中创建标签分类配置文件(label_map.pbtxt)，需要检测几种目标，将创建几个id

item {
  id: 1 # id从1开始编号
  name: 'person'
}
item {
  id: 2
  name: 'investigator'
}
item {
  id: 3
  name: 'collector'
}
item {
  id: 4
  name: 'wolf'
}

2.配置模型管道配置文件(ssd*.config)

1.标注的总类别数；
2.训练集、验证集的tfrecord文件的路径；
3.label_map的路径

python train.py --logtostderr \
--pipeline_config_path=data/ssd_inception_v2_pets.config \
--train_dir=data

TensorBoard监控

tensorboard --logdir==training:data

模型导出

python export_inference_graph.py \
--input_type image_tensor
--pipeline_config_path=data/ssd_inception_v2_pets.config \
--trained_checkpoint_prefix data/model.ckpt-30000 \
--output_directory data/exported_model_directory
# 工程的data目录下生成名为exported_model_directory文件夹
# frozen_inference_graph.pb就是我们以后将要使用的模型结果

获取测试图片

1.新建test_images目录

2.运行get_testImages.py，获取测试图片并存储到test_images文件夹目录下

批量保存测试结果

1.新建results目录

2.运行get_allTestResults.py，使用前面训练出的模型批量测试test_images文件夹中的图片并保存到results文件夹中