手把手带你玩转Tensorflow 物体检测 API （3）——训练模型
致謝聲明
本文在學習《Tensorflow object detection API 搭建屬于自己的物體識別模型（2）——訓練并使用自己的模型》的基礎上優化并總結，此博客鏈接：https://blog.csdn.net/dy_guox/article/details/79111949，感謝此博客作者。
0.前言
本文作者的環境：python3.6、Windows10、tensorflow_gpu1.10
| 1 | 目標檢測實踐_tensorflow版SSD運行示例 | https://www.jianshu.com/p/c1d8f1c76de7 |
| 2 | 目標檢測實踐_tensorflow版SSD數據準備 | https://www.jianshu.com/p/3d9436b4cb66 |
| 3 | 目標檢測實踐_tensorflow版SSD訓練自己的數據 | https://www.jianshu.com/p/0e5f9df4686a |
| 4 | 目標檢測實踐_tensorflow版SSD模型測試 | https://www.jianshu.com/p/7464c5e00716 |
現在桌面的目標檢測文件夾中需要有object_detection工程文件夾和training數據文件夾，如下圖所示：
image.png
如果沒有的話，也沒有關系。本文作者提供下載鏈接：
文件training.zip鏈接: https://pan.baidu.com/s/1Kgp9geSkTFVa_4tfc7ZPew 提取碼: 9sy3
文件object_detection.zip的鏈接：https://pan.baidu.com/s/1Q9SxtKlOqEty08tpFeUUHA 提取碼: p2sm
?
1.解決第1個報錯
在桌面的目標檢測文件夾中打開cmd，即在路徑中輸入cmd后按Enter鍵運行。
打開cmd的方式如下圖所示：
image.png
在cmd中運行命令：python object_detection/model_main.py --pipeline_config_path=training/ssdlite_mobilenet_v2_coco.config --model_dir=training --alsologtostderr，運行結果如下圖所示：
image.png
?
1.1 第1種解決方式
第1種解決方式是通過Windows界面點擊操作。
如下圖所示，按Windows+Q鍵可呼喚出搜索界面，在其中搜索環境變量。
點擊下圖中上方紅色箭頭標記處，進入編輯賬戶的環境變量。
image.png
新建一個系統變量，點擊下圖紅色箭頭標記處。
image.png
變量名為：PYTHONPATH
變量值如下圖所示，讀者填入1號方框中的路徑與2號方框中的路徑一致即可。
image.png
兩項設置好后，點擊下圖紅色箭頭標記處所示的確定按鈕。
image.png
點擊下圖紅色箭頭標記處所示的確定按鈕，使設置生效。
image.png
?
1.2 第2種解決方式
使用cmd添加永久環境變量，適用于熟悉cmd命令的讀者。
cmd中運行命令：setx -m PYTHONPATH "C:\Users\Administrator\Desktop\目標檢測"
命令成功運行后，如下圖所示：
image.png
?
2.解決第2個報錯
在進行完第1章，成功添加環境變量后，需要在桌面的目標檢測文件夾中重新打開cmd。
在cmd中運行命令：python object_detection/model_main.py --pipeline_config_path=training/ssdlite_mobilenet_v2_coco.config --model_dir=training --alsologtostderr，運行結果如下圖所示：
image.png
從上圖可以看出，缺少pycocotools庫，在linux系統中安裝pycocotools庫只需要運行命令：pip install pycocotools
但是在Windows上安裝則復雜得多。
?
2.1 下載并安裝Microsoft C++ build 14.0
本文作者花了2個小時研究有沒有其他方法解決此報錯，最終發現只有先安裝C++的編譯工具，才能在Windows系統上安裝pycocotools庫。
首先下載Microsoft C++ build 14.0，鏈接:https://go.microsoft.com/fwlink/?LinkId=691126
文件只有3M左右大小，下載完成如下圖所示。
image.png
打開安裝文件visualcppbuildtools.exe，初始化安裝程序，如下圖所示：
image.png
安裝類型選擇自定義，然后點擊下一步，如下圖紅色箭頭標記處所示。
image.png
選擇功能只勾選Windows 10 SDK 10.0.10240，然后點擊下一步，如下圖所示：
image.png
點擊下圖紅色箭頭標記處所示的安裝按鈕，則開始安裝。
image.png
安裝過程中截圖，如下圖所示：
image.png
完成安裝后，點擊關閉即可。
?
2.2 下載并安裝pycocotools
打開git頁面，鏈接:https://github.com/philferriere/cocoapi
下載按鈕的位置如下圖所示，點擊Download ZIP即可開始下載。
image.png
文件大小只有1.53M，下載完成如下圖所示。
image.png
對壓縮文件cocoapi-master.zip選擇解壓到當前文件夾。
進入文件夾cocoapi-master中的文件夾PythonAPI，在此文件夾下打開cmd，如下圖所示。
image.png
在cmd中運行命令：python setup.py build_ext install，如下圖所示：
image.png
如果安裝成功，則如下圖所示：
image.png
?
3.解決第3個報錯
進行完第2章后，需要在桌面的目標檢測文件夾中重新打開cmd。
在cmd中運行命令：python object_detection/model_main.py --pipeline_config_path=training/ssdlite_mobilenet_v2_coco.config --model_dir=training --alsologtostderr，運行結果如下圖所示：
image.png
解決此報錯，需要閱讀本文作者的文章《目標檢測第1步-運行tensorflow官方示例》中的第3章《proto文件轉py文件》，文章鏈接：https://www.jianshu.com/p/c1d8f1c76de7
?
4.解決第4個報錯
進行完第3章后，使用第3章中的cmd即可。
在cmd中運行命令：python object_detection/model_main.py --pipeline_config_path=training/ssdlite_mobilenet_v2_coco.config --model_dir=training --alsologtostderr，運行結果如下圖所示：
image.png
壓縮文件models-master.zip下載鏈接: https://pan.baidu.com/s/1TnHvqNLT0JEZlugrdyABhQ 提取碼: fnp3
將models-master/research/slim文件夾中的nets文件夾移動到
桌面的目標檢測文件夾中，即文件夾object_detection同級目錄。
因為models-master.zip大小為439M，但我們其實只要nets文件夾。
本文作者提供nets文件夾壓縮后的壓縮文件nets.zip。
下載鏈接: https://pan.baidu.com/s/1zRkn_TNRlPGAuwQHoO66EQ 提取碼: 99s4
下載完成后，將nets文件夾解壓到與object_detection相同目錄，如下圖所示：
image.png
?
5.解決第5個報錯
進行完第4章后，使用第4章中的cmd即可。
在cmd中運行命令：python object_detection/model_main.py --pipeline_config_path=training/ssdlite_mobilenet_v2_coco.config --model_dir=training --alsologtostderr，運行結果如下圖所示：
image.png
從上圖中可以看出，本文作者使用的顯卡是RTX 2070，顯卡的顯存為8G。
本文作者推薦如果要進行目標檢測， 最少也需要配備版本為GTX 1060_顯存6G的顯卡，否則會出現顯存不足。
從上圖中可以看出，模型成功調用顯卡，開始訓練了。
但是訓練經過一段時間后會報錯，如下圖所示：
image.png
解決方法：修改工程文件夾object_detection中的代碼文件model_lib.py
如下圖所示，找到第418行，將category_index.values()修改為list(category_index.values())
image.png
修改代碼文件model_lib.py完成后，則可以在cmd中重新輸入命令開啟模型訓練。
模型訓練穩定地進行一段時間后，會做一次模型評估，如下圖所示。
所以如果讀者看到下圖中的情況，則說明模型訓練很順利。
image.png
?
6.查看模型訓練狀況
模型訓練穩定地進行后，在桌面的目標檢測文件夾中重新打開cmd。
在cmd中運行命令：tensorboard --logdir=training，如下圖所示:
image.png
復制上圖中紅色箭頭標記處的鏈接，粘貼到瀏覽器中即可訪問。
注意：每臺電腦的鏈接都不同，讀者復制自己電腦cmd中顯示的鏈接即可。
如果使用360瀏覽器，必須使用極速模式，不能使用兼容模式。
在瀏覽器中的界面如下圖所示。
在SCALARS標簽界面中可以查看準確率Precison、召回率Recall、損失值Loss等模型評估指標。
在IMAGES標簽界面中可以查看實時的測試集效果。
在GRAPHS標簽界面中可以查看模型的整體架構。
image.png
?
7.總結
1.本文詳細介紹了在Windows操作系統的環境中如何訓練自己的目標檢測模型。
2.在本文作者的實踐中，發現在Linux操作系統中訓練速度會快很多。不明白為什么相同的代碼，2種操作系統會導致運行效率的差異。如果讀者有Linux的主機，本文作者建議為了工作效率，應該使用Linux主機做模型訓練。
在Ubuntu16.04系統的訓練速度如下圖所示：
image.png
3.在測試集的圖片中，有的圖片目標檢測效果較優，下面給出了2張演示圖。
?
預測結果1
?
預測結果2
作者：瀟灑坤
鏈接：https://www.jianshu.com/p/0e5f9df4686a
來源：簡書
著作權歸作者所有。商業轉載請聯系作者獲得授權，非商業轉載請注明出處。
總結
以上是生活随笔為你收集整理的手把手带你玩转Tensorflow 物体检测 API （3）——训练模型的全部內容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： c 语言 json序列化,C#中json
- 下一篇： 贪心---leetcode-376摆动序