・独自用意した画像にて学習
・学習したモデルで推論
git clone https://github.com/tensorflow/models
cd model/research
export PYTHONPATH=$PYTHONPATH:`pwd`:`pwd`/slim #
echo $PYTHONPATH
>>>:/home/user1/workspace/models/research:/home/user1/workspace/models/research/slim
Tensorflow Object Detection APIは、Protobufsを使用してモデルとトレーニングパラメーターを構成します。
フレームワークを使用するには、Protobufライブラリをコンパイルする必要があります。これは、tensorflow/models/research/ディレクトリから次のコマンドを実行して実行する必要があります。
wget -O protobuf.zip https://github.com/google/protobuf/releases/download/v3.0.0/protoc-3.0.0-linux-x86_64.zip
unzip protobuf.zip
## Run the compilation process again, but use the downloaded version of protoc
./bin/protoc object_detection/protos/*.proto --python_out=.
#ファイルが生成される
サイズは特に指定無し
./images ディレクトリ以下へ配置しておく
（参考）
./images/100.png
./images/200.png
.csv形式でファイル用意
カラム名は 'class','img_path', 'xmin', 'ymin', 'xmax', 'ymax'
（参考）
class,filename,xmin,ymin,xmax,ymax
room,100.png,2376,649,2405,667
room,100.png,2066,584,2125,609
room,100.png,1742,523,1837,598
room,200.png,1550,533,1621,560
room,200.png,1236,616,1293,643
./labels ディレクトリ以下へ配置しておく
（参考）
./labels/train_labels.csv #学習用アノテーションデータ
./labels/test_labels.csv #テスト用アノテーションデータ
Make a new file object-detection.pbtxt which looks like this:
item {
id: 1
name: 'room'
}
generate_tfrecord.py
cd ./tensorflow/models/reserch/
python generate_tfrecord.py --csv_input=./labels/train_labels.csv --output_path=./path/to/train.record --image_dir ../images
python generate_tfrecord.py --csv_input=./labels/test_labels.csv --output_path=./path/to/test.record --image_dir ../images
今回はfaster rcnn でいく
cd ./models/research/object_detection/faster_rcnn_nas_coco/
cp ./pipeline.config ./pipeline.config_backup
pipeline.configを編集する
#before
num_classes: 90
#after
num_classes: 1
#before
height: 1200
width: 1200
#after
height: 300
width: 300
#before
schedule {
step: 0
learning_rate: 0.000300000014249
}
#after
#ステップごとの学習率スケジュール initial_learning_rate:が既に指定されているので、step:0箇所でも指定されると学習時にエラー出る。コメントアウトした
#schedule {
# step: 0
# learning_rate: 0.000300000014249
#}
#before
gradient_clipping_by_norm: 10.0
fine_tune_checkpoint: "PATH_TO_BE_CONFIGURED/model.ckpt"
from_detection_checkpoint: true
num_steps: 200000
}
train_input_reader {
label_map_path: "PATH_TO_BE_CONFIGURED/mscoco_label_map.pbtxt"
tf_record_input_reader {
input_path: "PATH_TO_BE_CONFIGURED/mscoco_train.record"
}
}
eval_config {
num_examples: 8000
max_evals: 10
use_moving_averages: false
}
eval_input_reader {
label_map_path: "PATH_TO_BE_CONFIGURED/mscoco_label_map.pbtxt"
shuffle: false
num_readers: 1
tf_record_input_reader {
input_path: "PATH_TO_BE_CONFIGURED/mscoco_val.record"
}
}
#after
gradient_clipping_by_norm: 10.0
fine_tune_checkpoint: "faster_rcnn_nas_coco/model.ckpt"
from_detection_checkpoint: true
num_steps: 200000
}
train_input_reader {
label_map_path: "data/object-detection.pbtxt"
tf_record_input_reader {
input_path: "data/train.record"
}
}
eval_config {
num_examples: 8000
max_evals: 10
use_moving_averages: false
}
eval_input_reader {
label_map_path: "data/object-detection.pbtxt"
shuffle: false
num_readers: 1
tf_record_input_reader {
input_path: "data/test.record"
}
}
python object_detection/model_main.py \
--logtostderr \
--model_dir=model \
--pipeline_config_path=pipeline.config
tensorboard --logdir model
http:https://0.0.0.0:6006/
cd ./models/research/object_detection/
python export_inference_graph.py --input_type image_tensor --pipeline_config_path ./faster_rcnn_nas_coco/pipeline.config --trained_checkpoint_prefix ./tmplog/fast_rcnn_nas_coco/tmp6q8zwuzm/model.ckpt-3469 --output_directory ./inference_graph/faster_rcnn_nas_coco/
# --input_type image_tensor #固定
# --pipeline_config_path #学習時に指定したconfigファイル}
# --trained_checkpoint_prefix # 学習時に出力されたckptデータ群指定 # model.ckpt-3469 #ここまで書けば良い
# --output_directory # 推論用データの出力先ディレクトリ
以下ファイルが生成される
./inference_graph など適当なディレクトリを作ってそこに上記を全部入れておく
frozen_inference_graph.pb
model.ckpt.meta
model.ckpt.data-00000-of-00001
model.ckpt.index
checkpoint
pipeline.config
saved_model
注意）.pbファイルを生成した際と後の検出実行する際のtensorflowバージョンは合わせる必要ないとエラーになる。（今回は==1.13.1）
ここからこのモデルを使って他の画像を検出する 座標と画像が出力される
python3 from_root_room_detect_own_image.py ./test.png