4.训练模型之准备训练数据

刘盼

发布于 2018-03-16 11:24:17

1.9K0

发布于 2018-03-16 11:24:17

文章被收录于专栏：人人都是极客人人都是极客

终于要开始训练识别熊猫的模型了，第一步是准备好训练数据，这里有三件事情要做：

收集一定数量的熊猫图片。
将图片中的熊猫用矩形框标注出来。
将原始图片和标注文件转换为TFRecord格式的文件。

数据标注

收集熊猫的图片和标注熊猫位置的工作称之为“Data Labeling”，这可能是整个机器学习领域内最低级、最机械枯燥的工作了，有时候大量的 Data Labeling 工作会外包给专门的 Data Labeling 公司做，以加快速度和降低成本。当然我们不会把这个工作外包给别人，要从最底层的工作开始！收集熊猫图片倒不是太难，从谷歌和百度图片上收集 200 张熊猫的图片，应该足够训练一个可用的识别模型了。然后需要一些工具来做标注，我使用的是 Mac 版的 RectLabel，常用的还有 LabelImg 和 LabelMe 等。

RectLabel 标注时的界面大概是这样的：

当我们标注完成的时候，它会在 annotations 目录下生产和图片文件名相同的后缀名为 .json 的标注文件。

打开一个标注文件，其内容大概是这样的：

    {
      "filename" : "61.jpg",
      "folder" : "panda_images",
      "image_w_h" : [
        453,
        340
      ],
      "objects" : [
        {
          "label" : "panda",
          "x_y_w_h" : [
            90,
            104,
            364,
            233
          ]
        }
      ]
    }

image_w_h：图片的宽和高。
objects：图片的中的物体信息、数组。
label：在标注的时候指定的物体名称。
x_y_w_h：物体位置的矩形框：（xmin、ymin、width、height）。

接下来要做的是耐心的在这 200 张图片上面标出熊猫的位置，这个稍微要花点时间，可以在这里找已经标注好的图片数据。

生成 TFRecord

接下来需要一点 Python 代码来将图片和标注文件生成为 TFRecord 文件，TFRecord 文件是由很多tf.train.Example对象序列化以后组成的，先写由一个单独的图片文件生成tf.train.Example对象的函数：

    def create_sample(image_filename, data_dir):
        image_path = os.path.join(data_dir, image_filename)
        annotation_path = os.path.join(data_dir, 'annotations', os.path.splitext(image_filename)[0] + ".json")
        with tf.gfile.GFile(image_path, 'rb') as fid:
            encoded_jpg = fid.read()
        encoded_jpg_io = io.BytesIO(encoded_jpg)
        with open(annotation_path) as fid:
            image_annotation = json.load(fid)
        width = image_annotation['image_w_h'][0]
        height = image_annotation['image_w_h'][1]
        xmins = []
        ymins = []
        xmaxs = []
        ymaxs = []
        classes = []
        classes_text = []
        for obj in image_annotation['objects']:
            classes.append(1)
            classes_text.append('panda')
            box = obj['x_y_w_h']
            xmins.append(float(box[0]) / width)
            ymins.append(float(box[1]) / height)
            xmaxs.append(float(box[0] + box[2] - 1) / width)
            ymaxs.append(float(box[1] + box[3] - 1) / height)
        filename = image_annotation['filename'].encode('utf8')
        tf_example = tf.train.Example(features=tf.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('jpeg'.encode('utf8')),
            '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_example

在这里简单说明一下：

通过图片文件名找到对应的标注文件，并读入标注信息。
因为图片中标注的物体都是熊猫，用数字 1 来代表，所以 class 数组里的元素值都为 1，class_text数组的里的元素值都为‘panda’。
Object Detection API 里面接受的矩形框输入格式为 (xmin, ymin, xmax, ymax) 和标注文件的 (xmin, ymin, width, height) 不一样，所以要做一下转换。同时需要将这些值归一化：将数值投影到 (0, 1] 的区间内。
将特征组成{特征名：特征值}的 dict 作为参数来创建tf.train.Example。

接下来将tf.train.Example对象序列化，我们写一个可以由图片文件列表生成对应 TFRecord 文件的的函数：

 def create_tf_record(example_file_list, data_dir, output_file_path):
        writer = tf.python_io.TFRecordWriter(output_file_path)
        for filename in example_file_list:
            tf_example = create_sample(filename, data_dir)
            writer.write(tf_example.SerializeToString())
        writer.close()

依次调用create_sample函数然后将生成的tf.train.Example对象依次序列化即可。

最后需要将数据集切分为训练集合测试集，将图片文件打乱，然后按照 7：3 的比例进行切分：

    random.seed(42)
    random.shuffle(all_examples)
    num_examples = len(all_examples)
    num_train = int(0.7 * num_examples)
    train_examples = all_examples[:num_train]
    val_examples = all_examples[num_train:]
    create_tf_record(train_examples, data_dir, os.path.join(output_dir, 'train.record'))
    create_tf_record(val_examples, data_dir, os.path.join(output_dir, 'val.record'))

写完这个脚本以后，最好再写一个测试用例来验证这个脚本，因为我们将会花很长的时间来训练，到时候再发现脚本有 bug 就太浪费时间了，我们主要测试create_sample方法有没有根据输入数据生成正确的tf.train.Example对象：

    def test_dict_to_tf_example(self):
        image_file = '61.jpg'
        data_dir = os.path.join(os.path.dirname(os.path.abspath(__file__)), 'test_data')
        example = create_sample(image_file, data_dir)
        self._assertProtoEqual(
            example.features.feature['image/height'].int64_list.value, [340])
        self._assertProtoEqual(
            example.features.feature['image/width'].int64_list.value, [453])
        self._assertProtoEqual(
            example.features.feature['image/filename'].bytes_list.value,
            [image_file])
        self._assertProtoEqual(
            example.features.feature['image/source_id'].bytes_list.value,
            [image_file])
        self._assertProtoEqual(
            example.features.feature['image/format'].bytes_list.value, ['jpeg'])
        self._assertProtoEqual(
            example.features.feature['image/object/bbox/xmin'].float_list.value,
            [90.0 / 453])
        self._assertProtoEqual(
            example.features.feature['image/object/bbox/ymin'].float_list.value,
            [104.0/340])
        self._assertProtoEqual(
            example.features.feature['image/object/bbox/xmax'].float_list.value,
            [1.0])
        self._assertProtoEqual(
            example.features.feature['image/object/bbox/ymax'].float_list.value,
            [336.0/340])
        self._assertProtoEqual(
            example.features.feature['image/object/class/text'].bytes_list.value,
            ['panda'])
        self._assertProtoEqual(
            example.features.feature['image/object/class/label'].int64_list.value,
            [1])

后台回复“准备训练数据”关键字可以获取全部源码。

完成之后运行脚本，传入图片和标注的文件夹路径和输出文件路径：

python create_tf_record.py --image_dir=PATH_OF_IMAGE_SET --output_dir=OUTPUT_DIR

执行完成后会在由output_dir参数指定的目录生成train.record和val.record文件，分别为训练集和测试集。

生成 label map 文件

最后还需要一个 label map 文件，很简单，因为我们只有一种物体：熊猫

label_map.pbtxt:
    item {
      id: 1
      name: 'panda'
    }

训练一个熊猫识别模型所需要的训练数据就准备完了，接下来开始在 GPU 主机上面开始训练。

本文参与腾讯云自媒体分享计划，分享自微信公众号。

原始发表：2018-03-06，如有侵权请联系 cloudcommunity@tencent.com 删除

机器学习

json

python

人工智能

本文分享自人人都是极客微信公众号，前往查看

如有侵权，请联系 cloudcommunity@tencent.com 删除。

本文参与腾讯云自媒体分享计划，欢迎热爱写作的你一起参与！

登录后参与评论

0 条评论

热度