目标检测第1步-运行tensorflow官方示例

2018-11-21 本文已影响335人潇洒坤

致谢声明

本文在学习《Tensorflow object detection API 搭建属于自己的物体识别模型（1）——环境搭建与测试》的基础上优化并总结，此博客链接：https://blog.csdn.net/dy_guox/article/details/79081499，感谢此博客作者。

0.前言

在进行本文操作之前，需要先安装好tensorflow的gpu版本。
本文作者的环境：python3.6、Windows10、tensorflow_gpu1.10
已经安装好的可以跳过，学习如何安装tensorflow的gpu版本的读者请阅读本文作者的另外一篇文章《深度学习环境搭建-CUDA9.0、cudnn7.3、tensorflow_gpu1.10的安装》，链接：https://www.jianshu.com/p/4ebaa78e0233
本文是写给目标检测入门新手的指导文章，会用示意图将每一步的详细实现过程展示出来。
本文作者接触深度学习2个月后，开始进行目标检测实践。
本文作者的专题《目标检测》，链接：https://www.jianshu.com/c/fd1d6f784c1f
此专题的宗旨是让基础较为薄弱的新手能够顺利实现目标检测，专题内容偏向于掌握技能，学会工具的使用。
本文作者尚未具备清楚讲述目标检测原理的能力，学习原理请自行另找文章。

1.访问tensorflow在github的主页

tensorflow在github的主页链接：https://github.com/tensorflow
主页界面如下图所示。
Repository中文叫做知识库，对于程序员来说即代码库。
tensorflow这个用户中有很多Repository，我们需要的目标检测代码在models这个Repository中。
如下图2个红色箭头标注处所示，都是我们想要找的models这个代码库。
这2个红色箭头标注处，随意选择一个点击，进入下一步。
注意：因为本文写作的时间与读者浏览网址的时间不同，所以本文写作时的界面与读者浏览网址时的界面也可能不同，读者需要在主页中往下翻即可找到models这个代码库。

image.png
models这个代码库也可以使用链接直接访问：https://github.com/tensorflow/models
代码库界面如下图所示。
从下图中上方红色箭头标注处可以看出，这个代码库被44617人点赞，说明代码库的流行程度高，受众程度广。
下图中下方红色箭头标注处的research文件夹，我们需要的目标检测在这个文件夹中。
点击下图中下方红色箭头标注处，进入下一步。

image.png
models这个代码库中的research文件夹也可以使用链接直接访问：https://github.com/tensorflow/models/tree/master/research
models这个代码库中的research文件夹页面如下图所示：

image.png
从上图中可以看出没有object_detection这个文件夹，读者需要在页面中往下翻可以找到。
在页面中往下翻找到object_detection文件夹如下图红色箭头标注处所示。
点击下图中红色箭头标注处，进入下一步。

image.png
models这个代码库中的research/object_detection文件夹页面如下图所示。
也可以使用链接直接访问：https://github.com/tensorflow/models/tree/master/research/object_detection

image.png
在上图页面中往下翻，可以看到research/object_detection文件夹的指导文件README.md，如下图所示。
阅读README.md中的内容，可以获得英文版Tensorflow Object Detection API的使用指导。

image.png

2.下载代码库

在models代码库的界面中，有下载整个代码库的按钮，如下图红色箭头标注处所示：

image.png
通过vpn访问github，速度会加快。
从下图中可以看出，本文作者下载此代码库的速度为5.4MB/s

image.png
本文作者将此代码库上传到百度云盘，下载链接: https://pan.baidu.com/s/1TnHvqNLT0JEZlugrdyABhQ 提取码: fnp3
对于本文的读者来说，其实只需要代码库models中的research/object_detection文件夹就可以。
代码库models文件大小有439M，但是object_detection文件夹只有17M左右。
压缩文件object_detection.zip的百度云盘下载链接：https://pan.baidu.com/s/1Q9SxtKlOqEty08tpFeUUHA 提取码: p2sm
下载完成后，在桌面新建文件夹目标检测，将压缩文件object_detection.zip放入其中，如下图所示。

image.png
选择解压到object_detection，如下图所示。

image.png
解压完成后，文件夹目标检测中的文件情况如下图所示。

image.png

3.proto文件转py文件

3.1 下载和安装protoc

Protobuf(Google Protocol Buffers)是google开发的的一套用于数据存储，网络通信时用于协议编解码的工具库。它和XML和Json数据差不多，把数据已某种形式保存起来。Protobuf相对与XML和Json的不同之处，它是一种二进制的数据格式，具有更高的传输，打包和解包效率。
下载Protobuf网址：https://github.com/google/protobuf/releases
下载Protobuf网址页面如下图所示，下图中红色箭头标注处是Protobuf在操作系统Windows中可以直接运行的protoc程序，下载该压缩文件protoc-3.6.1-win32.zip。

image.png
将压缩文件protoc-3.6.1-win32.zip解压后的文件夹bin中的文件protoc.exe复制到路径：C:\Windows
本文作者复制文件后，确认路径C:\Windows有文件protoc.exe，如下图所示。

image.png

3.2 使用protoc

在工程object_detection文件夹中，找到文件夹protos，如下图所示：

image.png
进入文件夹protos，从下图中可以看出文件夹中有很多以proto为后缀的文件。
接下来的操作，就是把这些proto文件转换为py文件。

image.png
与工程object_detection文件夹同级目录中，打开cmd。
具体操作示意图如下图所示，在资源管理器的路径中输入cmd，按Enter键进入。

image.png
在cmd中输入并运行命令：jupyter notebook
如下图红色箭头标注处所示：

image.png
在随后弹出的浏览器界面中选择新建一个ipynb文件，即点击选择New->Python3。
具体操作示意图如下图所示。

image.png
将下面一段代码复制到第1个单元格中，并且运行此段代码。
运行此段代码的按钮选择Cell->Run Cells即可。

import os
file_list = os.listdir('object_detection/protos/')
proto_list = [file for file in file_list if '.proto' in file]
print('object_detection/proto文件夹中共有%d个proto文件' %len(proto_list))
for proto in proto_list:
    execute_command = 'protoc object_detection/protos/%s --python_out=.' %proto
    os.popen(execute_command)
file_list = os.listdir('object_detection/protos/')
py_list = [file for file in file_list if '.py' in file]
print('通过protoc命令产生的py文件共有%d个' %(len(py_list) - 1))

上面一段代码的运行结果如下图所示。
如果显示通过protoc命令产生的py文件共有27个，重新运行此段代码即可。

image.png
重新进入文件夹object_detection/protos，文件按照文件名排序。
从下图中可以看出文件夹中每个proto文件后都有一个py文件，即将proto文件转py文件成功。

image.png

4.下载模型

4.1 下载压缩文件

下载模型指的是下载已经训练好的模型。
在文件object_detection_tutorial.ipynb中有下载模型的代码语句。
代码可以运行，但是无法得到结果，因为代码中的下载链接是国外的网址。
压缩文件ssd_mobilenet_v1_coco_2017_11_17.zip上传到百度网盘，
链接: https://pan.baidu.com/s/1ywlp46lK-WYZ_11sUXqftw 提取码: yv5i