/ssd_mobiledet

目标检测模型 SSD MobileDet 训练与部署

Primary LanguagePython

SSD MobileDet

基于 tensorflow models 的目标检测模型 SSD MobileDet 训练与部署 TensorFlow 1 Detection Model Zoo Mobile models ssdlite mobiledet coco model

tensorflow models 源码获取

git clone --depth=1 https://github.com/tensorflow/models.git

Docker 训练环境搭建

docker build -f Dockerfile -t tf_object_detection:1.15.2-gpu .
docker run -dit --gpus all --name ssd_mobiledet -w /tf/ssd_mobiledet -p 6006:6006 -v $PWD:/tf/ssd_mobiledet tf_object_detection:1.15.2-gpu

训练数据准备

# 使用 lableImg 标记数据，并存放到 {data_path} 文件夹下
# test-data 文件夹为示例数据
# test-data/images 为图片文件夹
# test-data/annotations 为标注文件夹
# test-data/pascal_label_map.pbtxt 为标签文件，id 从1开始(0 表示背景)，内容格式为
item {
    id: 1
    name: 'aeroplane'
}
item {
    id: 2
    name: 'bicycle'
}

数据转换

# 修改 prepare_pascal.py 中的 data_path = 'test-data'
# 运行 prepare_pascal.py 生成 pascal 数据
docker exec -it ssd_mobiledet bash
python prepare_pascal.py

生成 tfrecord 文件

# 修改 create_pascal_tf_record.sh 中的 
#   DATA_PATH="test-data"
#   src_img_path = os.path.join(data_path, 'images')
#   src_anno_path = os.path.join(data_path, 'annotations')
# 运行 create_pascal_tf_record.sh 生成 tfrecord 文件
docker exec -it ssd_mobiledet bash
bash create_pascal_tf_record.sh

修改 pipeline.config 文件

# 修改 label_map_path 和 input_path 中的路径
train_input_reader: {
    label_map_path: "/tf/ssd_mobiledet/test-data/pascal_label_map.pbtxt"
    shuffle: true
    tf_record_input_reader {
        input_path: "/tf/ssd_mobiledet/test-data/tfrecord/VOC2007-train.record"
    }
}
eval_input_reader: {
    label_map_path: "/tf/ssd_mobiledet/test-data/pascal_label_map.pbtxt"
    shuffle: true
    num_epochs: 1
    tf_record_input_reader {
        input_path: "/tf/ssd_mobiledet/test-data/tfrecord/VOC2007-val.record"
    }
}

运行训练

docker exec -it ssd_mobiledet bash
# 指定 gpu 运行，需要在命令前加入 CUDA_VISIBLE_DEVICES=gpu 序号，-1 表示不使用 gpu
CUDA_VISIBLE_DEVICES=0 python train.py \
    --pipeline_config_path=ssdlite_mobiledet_pipeline.config \
    --model_dir=output \
    --alsologtostderr

TensorBoard

tensorboard --logdir output --host 0.0.0.0

导出模型

docker exec -it ssd_mobiledet bash
# pb: 
#   checkpoint  frozen_inference_graph.pb  model.ckpt.data-00000-of-00001  model.ckpt.index  model.ckpt.meta
#   pipeline.config  saved_model/saved_model.pb saved_model/variables/
python -m object_detection.export_inference_graph \
    --pipeline_config_path=ssdlite_mobiledet_pipeline.config \
    --trained_checkpoint_prefix=output/model.ckpt-0 \
    --output_directory=frozen_model

转换为 TFLite

docker exec -it ssd_mobiledet bash
# 生成 tflite graph pb
# tflite graph: 
#   tflite_graph.pb  tflite_graph.pbtxt
python -m object_detection.export_tflite_ssd_graph \
    --pipeline_config_path=ssdlite_mobiledet_pipeline.config \
    --trained_checkpoint_prefix=output/model.ckpt-0 \
    --output_directory=frozen_model_tflite \
    --max_detections=10 \
    --add_postprocessing_op=true

# 如果需要在手机端使用 gpu 则 quantize=False
python converter_tflite.py \
    --pb_path=frozen_model_tflite/tflite_graph.pb \
    --save_dir=frozen_model_tflite \
    --quantize=True

推理

docker exec -it ssd_mobiledet bash
# 可以下载上文中提到的 ssdlite mobiledet coco model 进行测试
wget http://download.tensorflow.org/models/object_detection/ssdlite_mobiledet_cpu_320x320_coco_2020_05_19.tar.gz
# 解压
tar -xzvf ssdlite_mobiledet_cpu_320x320_coco_2020_05_19.tar.gz
# 生成 pb 文件
python -m object_detection.export_inference_graph \
    --pipeline_config_path=ssdlite_mobiledet_cpu_320x320_coco_2020_05_19/pipeline.config \
    --trained_checkpoint_prefix=ssdlite_mobiledet_cpu_320x320_coco_2020_05_19/model.ckpt-400000 \
    --output_directory=ssdlite_mobiledet_cpu_320x320_coco_2020_05_19/frozen_model
# 修改 inference.py 中的 
#   pb_path = 'ssdlite_mobiledet_cpu_320x320_coco_2020_05_19/frozen_model/frozen_inference_graph.pb'
#   image_path = 'test-data/kite.jpg'
#   label_map_path = 'test-data/mscoco_label_map.txt'
#   result_img_path = 'test-data/result.jpg'
# 运行
CUDA_VISIBLE_DEVICES=-1 python inference.py
# 检测结果将输出到 result_img_path 中

# 生成 tflite graph pb 文件
python -m object_detection.export_tflite_ssd_graph \
    --pipeline_config_path=ssdlite_mobiledet_cpu_320x320_coco_2020_05_19/pipeline.config \
    --trained_checkpoint_prefix=ssdlite_mobiledet_cpu_320x320_coco_2020_05_19/model.ckpt-400000 \
    --output_directory=ssdlite_mobiledet_cpu_320x320_coco_2020_05_19/frozen_model_tflite \
    --max_detections=100 \
    --add_postprocessing_op=true

# 生成 tflite 文件
python converter_tflite.py \
    --pb_path=ssdlite_mobiledet_cpu_320x320_coco_2020_05_19/frozen_model_tflite/tflite_graph.pb \
    --save_dir=ssdlite_mobiledet_cpu_320x320_coco_2020_05_19/frozen_model_tflite \
    --quantize=False
# 修改 inference_tflite.py 中的 
#   tflite_path = '/tf/ssd_mobiledet/ssdlite_mobiledet_cpu_320x320_coco_2020_05_19/frozen_model_tflite/model.tflite'
#   is_quantized = False
#   image_path = 'test-data/kite.jpg'
#   label_map_path = 'test-data/mscoco_label_map.txt'
#   result_img_path = 'test-data/result_tflite.jpg'
# 运行
CUDA_VISIBLE_DEVICES=-1 python inference_tflite.py
# 检测结果将输出到 result_img_path 中