Обучите свой пользовательский детектор объектов с помощью API детектора объектов Tensorflow
В этой статье рассказывается о моем опыте обучения модели пользовательского детектора объектов с нуля с использованием API обнаружения объектов Tensorflow. В данном случае детектор хомяка.
Поток следующий:
- Обозначение изображений
- Предварительная обработка изображений
- Создайте карту меток и настройте для переноса обучения из предварительно обученной модели
- Выполнить обучающую работу
- Экспорт обученной модели
1) Обозначьте изображения
Сначала я собрал в сети около 130 изображений хомяков. После этого я использовал инструмент LabelImg, чтобы аннотировать их.
Изображения были сохранены в формате PascalVOC (т.е. xml).
2) Предварительная обработка изображений
После того, как изображения были размечены, потребовалась дополнительная предварительная обработка. Файлы xml должны быть преобразованы в csv, а затем, наконец, в формат TFRecords для обучения модели. На этом этапе были применены следующие скрипты xml_to_csv.py и generate_tfrecord.py.
3) Создайте карту меток и настройте для переноса обучения из предварительно обученной модели
Следующим шагом было создание файла label_map.pbtxt. Карта меток определяет отображение идентификатора класса в имя класса. А поскольку у меня был только один класс, моя карта меток была простой:
Для обучения передачи я использовал предварительно обученный SSD inception v2 COCO, загруженный из зоопарка моделей тензорного потока. Образец конфигурации можно было скачать здесь и затем соответствующим образом скорректировать.
4. Выполнить обучающую работу
Запустите model_main.py из каталога tensorflow models / research / object_detection, чтобы начать обучение.
Как только задание было запущено, его можно было отслеживать с помощью тензорной доски.
5) Экспорт обученной модели
После всей тяжелой работы последним шагом был запуск export_inference_graph.py из каталога tensorflow models / research / object_detection для экспорта обученной модели для использования.
Примечание. При создании этого питомца ни один хомяк не пострадал
Первоначально опубликовано на http://blog.howanalytics.com 7 мая 2020 г.