专栏首页机器学习AI算法工程tensorflow使用object detection实现目标检测超详细全流程(视频+图像集检测)

tensorflow使用object detection实现目标检测超详细全流程(视频+图像集检测)

使用tensorflow object detection进行训练检测。

参考原始代码:https://github.com/tensorflow/models/tree/master/research 本文以mobilenet-ssd-v2为例进行处理,通过换模型即可实现faster RCNN等的训练检测。

1、数据整理 对生成的数据集(整理成VOC格式),通过Annotations的数据数进行train、test、val、trainval.txt的生成

进入目录

note: 在使用数据集格式转化工具,生成的voc文件中,ImageSets/mains中,只含有trainval.txt。(可通过上述方式进行重新生成.txt文件,亦可暂时忽略,在后续生成record文件时,直接应用)

数据集的下载可参考自动驾驶数据集,

https://blog.csdn.net/u010801994/article/details/84636952

同时能获得自动驾驶数据集与voc格式之间的转换。

5、训练 修改ssd_mobilenet_v2_coco.config中的六处 (1)num_classes: 3(设为自己的训练集的类别) (2)fine_tune_checkpoint: “/home/crj/tensorflow/ssd_mobilenet_v2_coco_2018_03_29/model.ckpt”(fine_tune_checkpoint的地址) (3)train_input_reader:{}中input_path和label_map_path的路径 (4)eval_input_reader:{}中input_path和label_map_path的路径 (5)batch_size:48 通常不能太小,否则会报错

6、导出训练数据

将dataset中的生成模型导出到output_inference_graph输出文件夹中

7、检测结果输出

实验结果如下

学习小记录: (1)batchsize:批大小。在深度学习中,一般采用SGD训练,即每次训练在训练集中取batchsize个样本训练; (2)iteration:1个iteration等于使用batchsize个样本训练一次; (3)epoch:1个epoch等于使用训练集中的全部样本训练一次; 举个例子,训练集有1000个样本,batchsize=10,那么: 训练完整个样本集需要:100次iteration,1次epoch。 原文:https://blog.csdn.net/u010801994/article/details/84987563

本文分享自微信公众号 - 机器学习AI算法工程(datayx)

原文出处及转载信息见文内详细说明,如有侵权,请联系 yunjia_community@tencent.com 删除。

原始发表时间:2019-02-28

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。

我来说两句

0 条评论
登录 后参与评论

相关文章

  • 怎样做中文文本的情感分析?

    2016课程地址 项目描述地址 ---- 什么是情感分析? 就是要识别出用户对一件事一个物或一个人的看法、态度,比如一个电影的评论,一个商品的评价,一次...

    机器学习AI算法工程
  • 机器学习中防止过拟合的处理方法

    我们都知道,在进行数据挖掘或者机器学习模型建立的时候,因为在统计学习中,假设数据满足独立同分布(i.i.d,independently and...

    机器学习AI算法工程
  • 【趣味】数据挖掘(6)——借水浒传故事,释决策树思路

    决策树 (又称判定树,Decision Tree)是硕、博士生数据挖掘课程要点和难点,教学实践表明,这一章需要数学基础知识多,难得有趣。明知是难点,偏向难...

    机器学习AI算法工程
  • tensorflow使用object detection实现目标检测超详细全流程(视频+图像集检测)

    https://github.com/tensorflow/models/tree/master/research 本文以mobilenet-ssd-v2为例进...

    朱晓霞
  • 5.训练模型之利用训练的模型识别物体

    接下来我们开始训练,这里要做三件事: 将训练数据上传到训练服务器,开始训练。 将训练过程可视化。 导出训练结果导出为可用作推导的模型文件。 配置 Pipelin...

    刘盼
  • 1.训练模型之准备工作

    经常关注我公众号的读者应该还记得之前写了5课关于嵌入式人工智能的文章,可以点击这里查看(文章末尾有前4节课时的推荐),前5节课时都在讲一个主题,即如何识别物体。...

    刘盼
  • TensorFlow从0到1 | 第七篇:TensorFlow线性回归的参数溢出之坑

    上一篇 6 解锁梯度下降算法 解释清楚了学习率(learning rate)。本篇基于对梯度下降算法和学习率的理解,去填下之前在线性回归中发现的一个坑。 在5 ...

    用户1332428
  • 0690-TensorFlow之车牌识别案例

    参考文档:https://blog.csdn.net/shadown1ght/article/details/78571187

    Fayson
  • 预、自训练之争:谷歌说预训练虽火,但在标注数据上自训练更有效

    早在 2018 年,何恺明等人在论文《Rethinking ImageNet Pre-training》中重新思考了 ImageNet 预训练模型。他们发现这种...

    机器之心
  • 新一届最强预训练模型上榜,出于BERT而胜于BERT

    【导读】预训练方法设计有不同的训练目标,包括语言建模、机器翻译以及遮蔽语言建模等。最近发表的许多论文都使用了微调模型,并预先训练了一些遮蔽语言模型的变体。然而,...

    AI科技大本营

扫码关注云+社区

领取腾讯云代金券