电商网站搭建流程,外贸软件好用的,wordpress 翻页404,静态网站开发试验报告目录 零、模型下载
一、清理C盘
二、 配置环境
三、运行项目前提操作
#xff08;1#xff09;根据自己的项目设置路径。每次激活虚拟环境#xff08;tensorflow115#xff09;都得重设一次
#xff08;2#xff09;执行setup
这个项目的路径移动了位置也需要重设一…目录 零、模型下载
一、清理C盘
二、 配置环境
三、运行项目前提操作
1根据自己的项目设置路径。每次激活虚拟环境tensorflow115都得重设一次
2执行setup
这个项目的路径移动了位置也需要重设一次
四、制作训练集
1设计一个文件夹。总体相片分布可以用80%train20%test
2使用labelImg获得xml文件
3xml转csv
4csv转tfrecord
5在object_detection路径下创建training在training文件夹建一个labelmap.pbtxt
五、模型配置
1.修改num个数根据你class的个数写
2.batch_size根据你电脑的性能填最低填1
3.训练最高步数限制
4.路径修改
编辑六、模型开始训练 七、观察训练
八、生成模型
九、测试模型 十、寻找别人训练好的模型 零、模型下载
GitHub - tensorflow/models: Models and examples built with TensorFlow
Detection/faster_rcnn_inception_v2_coco_2018_01_28 at master · librahfacebook/Detection · GitHub
一、清理C盘 修改conda默认envs_dirs和pkgs_dirs 推荐博文若侵权告知必删http://t.csdnimg.cn/Ki52N
二、 配置环境
1用anaconda创建虚拟环境 winR进入cmd 或者 进入Anaconda Prompt应用这里是cpu,如果你用GPU推荐Anaconda Prompt会帮你安装跑GPU要用的驱动 conda create -n tensorflow115 python3.6 2创建完环境后一一输入下面的指令
conda activate tensorflow115
conda install tensorflow1.15.0
conda install -c anaconda protobuf
如果这个指令报错404尝试换源
找到的.condarc文件打开。
拷贝以下镜像源到该文件
channels:- https://mirrors.sjtug.sjtu.edu.cn/anaconda/pkgs/main/- https://mirrors.sjtug.sjtu.edu.cn/anaconda/pkgs/free/- defaults
ssl_verify: true
show_channel_urls: true
pip install pillow
pip install lxml
pip install jupyter
pip install matplotlib
pip install pandas
pip install opencv-python4.3.0.38三、运行项目前提操作
1根据自己的项目设置路径。每次激活虚拟环境tensorflow115都得重设一次
set PYTHONPATHG:\BaiduNetdiskDownload\TensorflowFasterRCNNKITTI\models;G:\BaiduNetdiskDownload\TensorflowFasterRCNNKITTI\models\research;G:\BaiduNetdiskDownload\TensorflowFasterRCNNKITTI\models\research\slim
2执行setup
这个项目的路径移动了位置也需要重设一次
命令端进入research路径 输入指令
python setup.py build
python setup.py install
四、制作训练集
1设计一个文件夹。总体相片分布可以用80%train20%test 2使用labelImg获得xml文件
pip install labelimg
使用labelimg指令
labelimg 快捷键操作 Ctrl u 选择要标注的文件目录 Ctrl r 选择标注好的标签存放的目录 Ctrl s 保存标注好的标签自动保存模式下会自动保存 Ctrl d 复制当前标签和矩形框 Ctrl Shift d 删除当前图片 Space 将当前图像标记为已验证 w 开始创建矩形框 d 切换到下一张图 a 切换到上一张图 del 删除选中的标注矩形框 Ctrl 放大图片 Ctrl-- 缩小图片 ↑→↓← 移动选中的矩形框的位置
3xml转csv
路径根据实际情况修改
import os
import glob
import pandas as pd
import xml.etree.ElementTree as ETdef xml_to_csv(path):xml_list []for xml_file in glob.glob(path /*.xml):tree ET.parse(xml_file)root tree.getroot()for member in root.findall(object):value (root.find(filename).text,int(root.find(size)[0].text),int(root.find(size)[1].text),member[0].text,int(member[4][0].text),int(member[4][1].text),int(member[4][2].text),int(member[4][3].text))xml_list.append(value)column_name [filename, width, height, class, xmin, ymin, xmax, ymax]xml_df pd.DataFrame(xml_list, columnscolumn_name)return xml_dfdef main():for folder in [train,test]:image_path os.path.join(os.getcwd(), (images/ folder))xml_df xml_to_csv(image_path)xml_df.to_csv((images/ folder _labels.csv), indexNone)print(Successfully converted xml to csv.)main()4csv转tfrecord Usage:# From tensorflow/models/# Create train data:python generate_tfrecord.py --csv_inputimages/train_labels.csv --image_dirimages/train --output_pathtrain.record# Create test data:python generate_tfrecord.py --csv_inputimages/test_labels.csv --image_dirimages/test --output_pathtest.recordfrom __future__ import division
from __future__ import print_function
from __future__ import absolute_importimport os
import io
import pandas as pd
import tensorflow as tffrom PIL import Image
from object_detection.utils import dataset_util
from collections import namedtuple, OrderedDictos.environ[TF_CPP_MIN_LOG_LEVEL]2flags tf.app.flags
flags.DEFINE_string(csv_input, , Path to the CSV input)
flags.DEFINE_string(image_dir, , Path to the image directory)
flags.DEFINE_string(output_path, , Path to output TFRecord)
FLAGS flags.FLAGS# TO-DO replace this with label map
def class_text_to_int(row_label):if row_label Car:return 1if row_label Van:return 2if row_label Truck:return 3if row_label Pedestrian:return 4if row_label Person_sitting:return 5if row_label Cyclist:return 6if row_label Tram:return 7if row_label Misc:return 8else:return 0def split(df, group):data namedtuple(data, [filename, object])gb df.groupby(group)return [data(filename, gb.get_group(x)) for filename, x in zip(gb.groups.keys(), gb.groups)]def create_tf_example(group, path):with tf.gfile.GFile(os.path.join(path, {}.format(group.filename)), rb) as fid:encoded_jpg fid.read()encoded_jpg_io io.BytesIO(encoded_jpg)image Image.open(encoded_jpg_io)width, height image.sizefilename group.filename.encode(utf8)image_format bjpgxmins []xmaxs []ymins []ymaxs []classes_text []classes []for index, row in group.object.iterrows():xmins.append(row[xmin] / width)xmaxs.append(row[xmax] / width)ymins.append(row[ymin] / height)ymaxs.append(row[ymax] / height)classes_text.append(row[class].encode(utf8))classes.append(class_text_to_int(row[class]))tf_example tf.train.Example(featurestf.train.Features(feature{image/height: dataset_util.int64_feature(height),image/width: dataset_util.int64_feature(width),image/filename: dataset_util.bytes_feature(filename),image/source_id: dataset_util.bytes_feature(filename),image/encoded: dataset_util.bytes_feature(encoded_jpg),image/format: dataset_util.bytes_feature(image_format),image/object/bbox/xmin: dataset_util.float_list_feature(xmins),image/object/bbox/xmax: dataset_util.float_list_feature(xmaxs),image/object/bbox/ymin: dataset_util.float_list_feature(ymins),image/object/bbox/ymax: dataset_util.float_list_feature(ymaxs),image/object/class/text: dataset_util.bytes_list_feature(classes_text),image/object/class/label: dataset_util.int64_list_feature(classes),}))return tf_exampledef main(_):writer tf.python_io.TFRecordWriter(FLAGS.output_path)path os.path.join(os.getcwd(), FLAGS.image_dir)examples pd.read_csv(FLAGS.csv_input)grouped split(examples, filename)for group in grouped:tf_example create_tf_example(group, path)writer.write(tf_example.SerializeToString())writer.close()output_path os.path.join(os.getcwd(), FLAGS.output_path)print(Successfully created the TFRecords: {}.format(output_path))if __name__ __main__:tf.app.run()这里根据你的label修改 修改完后使用下面的指令 python generate_tfrecord.py --csv_inputimages/train_labels.csv --image_dirimages/train --output_pathtrain.record python generate_tfrecord.py --csv_inputimages/test_labels.csv --image_dirimages/test --output_pathtest.record
5在object_detection路径下创建training在training文件夹建一个labelmap.pbtxt
labelmap.pbtxt的格式 五、模型配置
在object_detection\samples\configs 文件夹下找到对应的.config文件然后将该config文件复制到刚刚创建的training文件中
拿faster_rcnn_inception_v2_coco_2018_01_28模型举例 复制faster_rcnn_inception_v2_coco.config到 training 文件夹下
1.修改num个数根据你class的个数写 2.batch_size根据你电脑的性能填最低填1 3.训练最高步数限制 4.路径修改 六、模型开始训练 因为我们用的CPU所以需要修改一处地方使用CPU
开始训练
python train.py --logtostderr --train_dirtraining/ --pipeline_config_pathtraining/faster_rcnn_inception_v2_pets.config
出现报错 解决办法
pip install tensorflow-estimator1.15.0 七、观察训练
开一个命令窗口在object_detection 下运行
tensorboard --logdirmy_obgect/training八、生成模型
python export_inference_graph.py \ --input_type image_tensor \ --pipeline_config_path training/faster_rcnn_inception_v2_pets.config \ --trained_checkpoint_prefix training/model.ckpt-4446 \ --output_directory my_detection_v1 my_detection_v1是自己在当前路径下建的空白文件夹
如果报错
Current thread 0x000045d8 (most recent call first):
解决方法
pip install tensorflow1.15.0
再重复第三、运行项目前提操作
九、测试模型
打开Object_detection_image.py(该python文件在object_detection中)
修改下面的内容一一对应 最后输入下面指令
python Object_detection_image.py 十、寻找别人训练好的模型
models/research/object_detection/g3doc/tf1_detection_zoo.md at master · tensorflow/models · GitHub
