首先我們說下前期準(zhǔn)備工作
1.肯定要有能運行Tensorflow環(huán)境win10環(huán)境搭建
2.object_detection框架的安裝??框架地址
3.protobuf?編譯器（我用3.4版本，3.4+的發(fā)現(xiàn)無法找到文件不知道為什么）
大概就這么多我們一步一步開始。
第一步就不多說了，沒搭建好的先自己搭建好。
我們先去下載框架代碼下來·········
下載完成后解壓出來會有一個models-master的文件，文件應(yīng)該比較大在2G左右。
里面包含很多最新的網(wǎng)絡(luò)模型和很多demo有興趣的童鞋可以看下github上面的介紹，說的很詳細。不過都是基于Linux。
我們的目標(biāo)檢測就在research/object_detection??
官方也有對該文件目錄的簡介和使用方法（Linux）。
接下來我們第三步下載的編譯器就是用來編譯object_detection里的porto文件的
在bin下有個exe文件，我們將這個bin目錄直接添加到環(huán)境變量里面方便使用。
在cmd輸入protoc
這就說明proto工具可以使用，然后我們開始編譯object_detection下的protos文件下的所有proto文件。
我們在cmd切換到research目錄下后輸入protoc ./object_detection/protos/*.proto --python_out=.
編譯完成后會生成很多.py文件
接下來在我們python環(huán)境下加入引用
我的目錄為 D:\ProgramData\Anaconda3\envs\py36\Lib\site-packages
在這個目錄下創(chuàng)建一個.pth的文件指明slim框架的位置，因為object_detection里面代碼也調(diào)用了slim框架。
現(xiàn)在我們就可以跑下測試代碼看看是否環(huán)境搭建完成，在我們的py36環(huán)境下運行python object_detection/builders/model_builder_test.py
出現(xiàn)OK就說明我們環(huán)境部署是沒問題的，那我們在跑一個demo試試？
我們打開官方demo稍稍修改下就可以使用了，修改結(jié)果。
import numpy as np
import os
import six.moves.urllib as urllib
import sys
import tarfile
import tensorflow as tf
import zipfile
import matplotlib
import cv2
# Matplotlib chooses Xwindows backend by default.
matplotlib.use('Agg')
from collections import defaultdict
from io import StringIO
from matplotlib import pyplot as plt
from PIL import Image
from utils import label_map_util
from utils import visualization_utils as vis_util
##################### Download Model，如果本地已下載也可修改成本地路徑
# What model to download.
MODEL_NAME = 'ssd_mobilenet_v1_coco_11_06_2017'
MODEL_FILE = MODEL_NAME + '.tar.gz'
DOWNLOAD_BASE = 'http://download.tensorflow.org/models/object_detection/'
# Path to frozen detection graph. This is the actual model that is used for the object detection.
PATH_TO_CKPT = MODEL_NAME + '/frozen_inference_graph.pb'
# List of the strings that is used to add correct label for each box.
PATH_TO_LABELS = os.path.join('data', 'mscoco_label_map.pbtxt')
NUM_CLASSES = 90
# Download model if not already downloaded
if not os.path.exists(PATH_TO_CKPT):
? ? print('Downloading model... (This may take over 5 minutes)')
? ? opener = urllib.request.URLopener()
? ? opener.retrieve(DOWNLOAD_BASE + MODEL_FILE, MODEL_FILE)
? ? print('Extracting...')
? ? 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())
else:
? ? print('Model already downloaded.')
##################### Load a (frozen) Tensorflow model into memory.
detection_graph = tf.Graph()
with detection_graph.as_default():
? ? od_graph_def = tf.GraphDef()
? ? with tf.gfile.GFile(PATH_TO_CKPT, 'rb') as fid:
? ? ? ? serialized_graph = fid.read()
? ? ? ? od_graph_def.ParseFromString(serialized_graph)
? ? ? ? tf.import_graph_def(od_graph_def, name='')
##################### Loading label map
print('Loading label map...')
label_map = label_map_util.load_labelmap(PATH_TO_LABELS)
categories = label_map_util.convert_label_map_to_categories(label_map, max_num_classes=NUM_CLASSES, use_display_name=True)
category_index = label_map_util.create_category_index(categories)
def load_image_into_numpy_array(image):
? (im_width, im_height) = image.size
? return np.array(image.getdata()).reshape(
? ? ? (im_height, im_width, 3)).astype(np.uint8)
# 測試圖片的路徑
TEST_IMAGE_PATH = 'test_images/test1.jpg'
# Size, in inches, of the output images.
IMAGE_SIZE = (12, 8)
with detection_graph.as_default():
? with tf.Session(graph=detection_graph) as sess:
? ? image = Image.open(TEST_IMAGE_PATH)
? ? image_np = load_image_into_numpy_array(image)
? ? image_np_expanded = np.expand_dims(image_np, axis=0)
? ? image_tensor = detection_graph.get_tensor_by_name('image_tensor:0')
? ? boxes = detection_graph.get_tensor_by_name('detection_boxes:0')
? ? scores = detection_graph.get_tensor_by_name('detection_scores:0')
? ? classes = detection_graph.get_tensor_by_name('detection_classes:0')
? ? num_detections = detection_graph.get_tensor_by_name('num_detections:0')
? ? # Actual detection.
? ? (boxes, scores, classes, num_detections) = sess.run(
? ? ? ? [boxes, scores, classes, num_detections],
? ? ? ? feed_dict={image_tensor: image_np_expanded})
? ? # Visualization of the results of a detection.
? ? vis_util.visualize_boxes_and_labels_on_image_array(
? ? ? ? image_np,
? ? ? ? np.squeeze(boxes),
? ? ? ? np.squeeze(classes).astype(np.int32),
? ? ? ? np.squeeze(scores),
? ? ? ? category_index,
? ? ? ? use_normalized_coordinates=True,
? ? ? ? line_thickness=8)
? ? print(TEST_IMAGE_PATH.split('.')[0]+'_labeled.jpg')
? ? plt.figure(figsize=IMAGE_SIZE, dpi=300)
? ? plt.imshow(image_np)
? ? plt.savefig(TEST_IMAGE_PATH.split('.')[0] + '_labeled.jpg')
上面就修改了下圖片路徑，和改變了圖片的保存方式。
我們從網(wǎng)上隨便找些圖片放在我們測試文件夾下運行該代碼，就會出現(xiàn)所預(yù)測的結(jié)果。
不過從結(jié)果上我們環(huán)境運行是沒問題的，那我們就可以自己準(zhǔn)備數(shù)據(jù)學(xué)習(xí)自己針對的目標(biāo)檢測。
