目标检测第1步-运行tensorflow官方示例

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。 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:

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

4.2 解压压缩文件

将下载好的压缩文件放到工程object_detection文件夹中,如下图所示。

image.png

选择解压到ssd_mobilenet_v1_coco_20...,如下图红色箭头标注处所示。 注意,不要选择解压到当前文件夹,否则代码运行时会无法找到模型文件。

image.png

4.3 正确解压示意

如下图红色箭头标注处所示,在压缩文件解压后,工程object_detection文件夹中有文件夹ssd_mobilenet_v1_coco_2017_11_17

image.png

文件夹ssd_mobilenet_v1_coco_2017_11_17中有文件夹saved_model和6个文件。

image.png

5.运行ipynb文件

5.1 打开ipynb文件

在工程object_detection文件夹中运行cmd。 即在资源管理器的路径中输入cmd,按Enter键进入。 具体操作示意图如下图所示。

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

在新打开的浏览器界面中打开代码文件object_detection_tutorial.ipynb。 点击下图红色箭头标注处即可打开代码文件

image.png

代码文件的页面如下图所示。

image.png

5.2 删除代码块

将代码文件的界面下拉到出现Download Model代码块。 删除下图中下方红色箭头标注处的代码块。 操作方法是在选中此代码块的情况下,点击下图中上方红色箭头标注处的剪切按钮。 此代码块的作用是从网络中下载模型,这一步我们已经在本文第4章中实现。

image.png

删除代码块成功后,代码文件的界面如下图所示。

image.png

5.3 运行代码

在代码文件的界面中选择运行所有代码块。 具体操作示意图如下图所示,点击下图中红色箭头标注处即可。

image.png

如果代码成功运行的话,运行结果如下图所示。

image.png

6.总结

  1. 本篇文章只是目标检测的第1步,本文作者会在后续的文章中介绍如何训练自己的模型
  2. 希望读者阅读此文章,能够顺利完成目标检测的入门。

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏小樱的经验随笔

【批处理学习笔记】第五课:简单的批处理命令(4)

start 命令   调用外部程序,所有的DOS命令和命令行程序都可以由start命令来调用。     如:start calc.exe 即可打开Windows...

27840
来自专栏林德熙的博客

C# 使用转换语义版本号

本文告诉大家如何转换语义版本号,那么什么是语义版本号,语义版本号(semantic version)就是版本号带 alpha 等的版本号

14110
来自专栏Java技术栈

浅析负载均衡的6种算法,Ngnix的5种算法。

常见的几种负载均衡算法 ? 1、轮询法 将请求按顺序轮流地分配到后端服务器上,它均衡地对待后端的每一台服务器,而不关心服务器实际的连接数和当前的系统负载。 2、...

360120
来自专栏TensorFlow从0到N

TensorFlow从0到1 - 1 - Hello, TensorFlow!

在学习任何新的编程语言时,我们都会在第一时间完成Hello World,以宣告自己开发环境的完美搭建。TensorFlow也不例外。TensorFlow充分考...

45930
来自专栏Deep learning进阶路

caffe随记(四) --- mnist示例超详细讲解

这个mnist手写体数字识别的例子可以说是caffe中的 Hello World。mnist最初用于支票上的手写数字识别,针对mnist识别的专门模型是Lene...

30000
来自专栏小巫技术博客

Building TensorFlow on Android(译)

18410
来自专栏Python小屋

Python+matplotlib绘制柱状图并设置坐标轴有效刻度

问题描述:在使用matplotlib绘图时,一般会自动设置坐标轴刻度。很多时候,这个自动设置并不合适,用户更希望绘制结果的坐标轴上只显示有效刻度,也就是只显示有...

21330
来自专栏深度学习那些事儿

深度学习必备:通过VNC连接ubuntu(linux)工作站

此篇讲解如果通过VNC实现win10电脑操控(ubuntu)linux电脑,只需一个键盘一个鼠标就可以操控两个电脑,实现高效率工作。

84350
来自专栏企鹅号快讯

浅析负载均衡的6种算法,Ngnix的5种算法

常见的几种负载均衡算法 ? 1、轮询法 将请求按顺序轮流地分配到后端服务器上,它均衡地对待后端的每一台服务器,而不关心服务器实际的连接数和当前的系统负载。 2、...

38590
来自专栏Java技术分享

redis集群原理

 redis是单线程,但是一般的作为缓存使用的话,redis足够了,因为它的读写速度太快了。

42690

扫码关注云+社区

领取腾讯云代金券