0.準備工作

1.專案目錄概覽

圖1 object detection專案目錄

2.準備資料集和相關檔案

• 下載VOC2007資料集，解壓放到dataset目錄下，如圖1。
• 複製models\research\object_detection\dataset_tools\create_pascal_tf_record.py檔案到dataset目錄下，如圖1。
• 複製models\research\object_detection\data\pascal_label_map.pbtxt檔案到dataset目錄下，如圖1。
• 解壓預訓練模型ssd_inception_v2_coco_11_06_2017.tar.gz
  檔案到models目錄下，如圖1。
• 複製models\research\object_detection\samples\configs\ssd_inception_v2_coco.config到專案根目錄下。
• 複製models\research\object_detection目錄下的train.py、eval.py和export_inference_graph.py檔案到專案根目錄下。
• 複製models\research\object_detection資料夾下的utils目錄到專案根目錄下，create_pascal_tf_record.py會用到。

3.製作TFRecord

• create_pascal_tf_record.py第160行 :

examples_path = os.path.join(data_dir, year, 'ImageSets', 'Main', 'aeroplane_' + FLAGS.set + '.txt')

為：

examples_path = os.path.join(data_dir, year, 'ImageSets', 'Main/' + FLAGS.set + '.txt')

• 執行如下指令：

    python dataset/create_pascal_tf_record.py \
        --data_dir=dataset/VOCtrainval_06
 
-Nov-2007/VOCdevkit \
        --year=VOC2007 \
        --set=train \
        --output_path=record/pascal_train.record

    python dataset/create_pascal_tf_record.py \
        --data_dir=dataset/VOCtrainval_06-Nov-2007/VOCdevkit \
        --year=VOC2007 \
        --set=val \
        --output_path=record/pascal_val.record

在record資料夾下生成pascal_train.record、pascal_val.record檔案，如圖1。

4.修改配置檔案<

• 修改ssd_inception_v2_coco.config的關鍵語句：

...
model {
  ssd {
    num_classes: 20
...
train_config: {
  batch_size: 24
  optimizer {
    rms_prop_optimizer: {
      learning_rate: {
        exponential_decay_learning_rate {
          initial_learning_rate: 0.004
          decay_steps: 10000
          decay_factor: 0.95
        }
...
num_steps: 20000
...
train_input_reader: {
  tf_record_input_reader {
    input_path: "record/pascal_train.record"
  }
  label_map_path: "dataset/pascal_label_map.pbtxt"
}

eval_config: {
  num_examples: 4952
  # Note: The below line limits the evaluation process to 10 evaluations.
  # Remove the below line to evaluate indefinitely.
  max_evals: 10
}

eval_input_reader: {
  tf_record_input_reader {
    input_path: "record/pascal_val.record"
  }
  label_map_path: "dataset/pascal_label_map.pbtxt"
  shuffle: false
  num_readers: 1
  num_epochs: 1
}

5.修改train.py檔案

• 去除警告：Your CPU supports instructions that this TensorFlow binary was not compiled to use: AVX AVX2

import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'

• 如果GPU記憶體不夠大，務必使用CPU clones

flags.DEFINE_boolean('clone_on_cpu', True,
                     'Force clones to be deployed on CPU.  Note that even if '
                     'set to False (allowing ops to run on gpu), some ops may '
                     'still be run on the CPU if they have no GPU kernel.')

• 訓練模型輸出資料夾：

flags.DEFINE_string('train_dir', 'train',
                    'Directory to save the checkpoints and training summaries.')

• 設定pipeline_config_path：

flags.DEFINE_string('pipeline_config_path', 'ssd_inception_v2_coco.config',
                    'Path to a pipeline_pb2.TrainEvalPipelineConfig config '
                    'file. If provided, other configs are ignored')

• 訓練：
  專案根目錄下執行：

python train.py --logtostderr 

6.tensorboard檢視執行情況

專案根目錄下執行：

tensorboard --logdir=train

7.生成pb檔案

• 將train資料夾下的如下檔案複製到pb資料夾下，並去除ckpt後面的“-數字”，checkpoint檔案內相應也要改：

checkpoint
model.ckpt.data-00000-of-00001
model.ckpt.index
model.ckpt.meta

• 在專案根目錄下執行：

python export_inference_graph.py \
--pipeline_config_path ssd_inception_v2_coco.config \
--trained_checkpoint_prefix pb/model.ckpt \
--output_directory pb

• 在pb目錄下可以找到生成的pb檔案：

frozen_inference_graph.pb

8.攝像頭目標檢測

• 修改webcamdetect.py檔案：

PATH_TO_CKPT = 'pb/frozen_inference_graph.pb'  

• 遮蔽：

# opener = urllib.request.URLopener()  
# opener.retrieve(DOWNLOAD_BASE + MODEL_FILE, MODEL_FILE)  

# tar_file = tarfile.open(MODEL_FILE)  
# for file in tar_file.getmembers():  
#   file_name = os.path.basename(file.name)  
#   if 'frozen_inference_graph.pb' in file_name:  
#     tar_file.extract(file, os.getcwd())  

• 在專案根目錄下執行：

python webcamdetect.py