SSD-Tensorflow 从工程角度进行配置

Posted pprp

tags:

篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了SSD-Tensorflow 从工程角度进行配置相关的知识，希望对你有一定的参考价值。

目录

SSD-Tensorflow 工程角度配置

Download from the github

sudo apt-get install git
git clone https://github.com/balancap/SSD-Tensorflow.git

完成以后查看tree -L 2

.
├── caffe_to_tensorflow.py
├── checkpoints
│?? ├── ssd_300_vgg.ckpt.data-00000-of-00001
│?? └── ssd_300_vgg.ckpt.index
├── COMMANDS.md
├── datasets
│?? ├── cifar10.py
│?? ├── dataset_factory.py
│?? ├── dataset_utils.py
│?? ├── imagenet.py
│?? ├── init.py
│?? ├── pascalvoc_2007.py
│?? ├── pascalvoc_2012.py
│?? ├── pascalvoc_common.py
│?? ├── pascalvoc_to_tfrecords.py
│?? └── pycache
├── demo
│?? ├── 000001.jpg
│?? ├── 000002.jpg
│?? ├── 000003.jpg
│?? ├── 000004.jpg
│?? ├── 000006.jpg
│?? ├── 000008.jpg
│?? ├── 000010.jpg
│?? ├── 000022.jpg
│?? ├── dog.jpg
│?? ├── eagle.jpg
│?? ├── horses.jpg
│?? ├── person.jpg
│?? └── street.jpg
├── deployment
│?? ├── init.py
│?? └── model_deploy.py
├── eval_ssd_network.py
├── inspect_checkpoint.py
├── nets
│?? ├── caffe_scope.py
│?? ├── custom_layers.py
│?? ├── inception.py
│?? ├── inception_resnet_v2.py
│?? ├── inception_v3.py
│?? ├── init.py
│?? ├── nets_factory.py
│?? ├── np_methods.py
│?? ├── ssd_common.py
│?? ├── ssd_vgg_300.py
│?? ├── ssd_vgg_512.py
│?? ├── vgg.py
│?? └── xception.py
├── notebooks
│?? ├── ssd_notebook.ipynb
│?? ├── ssd_tests.ipynb
│?? └── visualization.py
├── pictures
│?? ├── ex1.png
│?? └── ex2.png
├── preprocessing
│?? ├── inception_preprocessing.py
│?? ├── init.py
│?? ├── preprocessing_factory.py
│?? ├── ssd_vgg_preprocessing.py
│?? ├── tf_image.py
│?? └── vgg_preprocessing.py
├── README.md
├── tf_convert_data.py
├── tf_extended
│?? ├── bboxes.py
│?? ├── image.py
│?? ├── init.py
│?? ├── math.py
│?? ├── metrics.py
│?? └── tensors.py
├── tf_utils.py
├── train_ssd_network.py

  • 新建tfrecordsmkdir tfrecords
  • 解压ssd.zipunzip ./checkpoint/ssd_300_vgg.ckpt.zip

数据集转化tfrecords格式

首先你要有VOC2007格式的文件，具体怎么制作可以看我以前的博客Faster Rcnn中的说明。

  • 准备转化，需要使用tf_convert_cata.py
./VOC2007/
└── test
    ├── Annotations
    ├── ImageSets
    ├── JPEGImages
    ├── SegmentationClass
    └── SegmentationObject
  • 将datasets中的pascalvoc_2007.py中的类别将20改为你自己的类别
  • 使用（路径可以改变）
DATASET_DIR=./VOC2007/test/
OUTPUT_DIR=./tfrecords
python tf_convert_data.py     --dataset_name=pascalvoc     --dataset_dir=${DATASET_DIR}     --output_name=voc_2007_train     --output_dir=${OUTPUT_DIR}
  • 遇到的问题1

UnicodeDecodeError: ‘utf-8‘ codec can‘t decode byte 0xff in position 0: invalid start byte

处理：

SSD-Tensorflow/datasets/pascaovoc_to_tfrecords.py

  File "/home/learner/github/SSD-Tensorflow/datasets/pascalvoc_to_tfrecords.py", line 83, in _process_image
    image_data = tf.gfile.FastGFile(filename, 'r').read()

将 r改为rb就可以解决

  • 遇到的问题2

类别没有改为自己的类别：pascalvoc_common.py中记录了所有的种类

SSD-Tensorflow/datasets/pascalvoc_common.py

将该文件中VOC_LABELS中的label改成你的label就好了，其中none需要保留，其他的根据样子都可以改变。

  • 修改图片读取类型

  1. image_format =b‘JPEG‘

  2. filename = directory + DIRECTORY_IMAGES + name + ‘.jpg‘中 jpg 可以修改读取图片的类型

  3. datasets文件夹下`pascalvoc_to_tfrecords.py中SAMPLES_PER_FILES = 1，这里可以修改每个tfrecords中有几个图片

  • 编写脚本(位于SSD-Tensorflow下)，批量测试
#!/bin/bash
#this is a shell script to convert pascal VOC datasets into tf-records only
#directory where the original dataset is stored 
DATASET_DIR=./VOC2007/test/     #VOC数据保存的文件夹（VOC的目录格式未改变）
#output directory where to store TFRecords files
OUTPUT_DIR=./tfrecords  #自己建立的保存tfrecords数据的文件夹

python3 ./tf_convert_data.py         --dataset_name=pascalvoc         --dataset_dir=${DATASET_DIR}         --output_name=voc_2007_train         --output_dir=${OUTPUT_DIR}

训练模型（pre-train）

首先必须有预训练模型，上边我们解压的那个就是预训练模型。

  • 修改train_ssd_network.py中154行最大训练步数，将None修改为合适的步长

mkdir logs

DATASET_DIR=./tfrecords
TRAIN_DIR=./logs/
CHECKPOINT_PATH=./checkpoints/ssd_300_vgg.ckpt
python train_ssd_network.py     --train_dir=${TRAIN_DIR}     --dataset_dir=${DATASET_DIR}     --dataset_name=pascalvoc_2007     --dataset_split_name=train     --model_name=ssd_300_vgg     --checkpoint_path=${CHECKPOINT_PATH}     --save_summaries_secs=60     --save_interval_secs=600     --weight_decay=0.0005     --optimizer=adam     --learning_rate=0.001     --batch_size=32

train_ssd_network.py,网络参数配置，若需要改，再此文件中进行修改

修改如下边中的数字600，可以改变训练多长时间保存一次模型

tf.app.flags.DEFINE_integer(
    'save_summaries_secs', 600,
    'The frequency with which summaries are saved, in seconds.')
tf.app.flags.DEFINE_integer(
    'save_interval_secs', 600,
    'The frequency with which the model is saved, in seconds.')
  • nets/ssd_vgg_300.py (因为使用此网络结构) ，修改87 和88行的类别
 default_params = SSDParams(
        img_shape=(300, 300),
        num_classes=21,   #根据自己的数据修改为类别+1
        no_annotation_label=21, #根据自己的数据修改为类别+1
        feat_layers=['block4', 'block7', 'block8', 'block9', 'block10', 'block11'],
        feat_shapes=[(38, 38), (19, 19), (10, 10), (5, 5), (3, 3), (1, 1)],
        anchor_size_bounds=[0.15, 0.90],
        # anchor_size_bounds=[0.20, 0.90],
  • train_ssd_network.py,修改类别120行，GPU占用量，学习率，batch_size等
tf.app.flags.DEFINE_integer(
    'num_classes', 21, 'Number of classes to use in the dataset.') 
    #根据自己的数据修改为类别+1
  • eval_ssd_network.py 修改类别，66行
# =========================================================================== #
# Main evaluation flags.
# =========================================================================== #
tf.app.flags.DEFINE_integer(
'num_classes', 21, 'Number of classes to use in the dataset.')  
  #根据自己的数据修改为类别+1
  • datasets/pascalvoc_2007.py 根据自己的训练数据修改整个文件
TRAIN_STATISTICS = {
    'none': (0, 0),
    'aeroplane': (238, 306),  #238图片书， 306目标总数
    'bicycle': (243, 353),
    'bird': (330, 486),
    'boat': (181, 290),
    'bottle': (244, 505),
    'bus': (186, 229),
    'car': (713, 1250),
    'cat': (337, 376),
    'chair': (445, 798),
    'cow': (141, 259),
    'diningtable': (200, 215),
    'dog': (421, 510),
    'horse': (287, 362),
    'motorbike': (245, 339),
    'person': (2008, 4690),
    'pottedplant': (245, 514),
    'sheep': (96, 257),
    'sofa': (229, 248),
    'train': (261, 297),
    'tvmonitor': (256, 324),
    'total': (5011, 12608),    //5011 为训练的图片书，12608为目标总数
}
TEST_STATISTICS = {
    'none': (0, 0),
    'aeroplane': (1, 1),
    'bicycle': (1, 1),
    'bird': (1, 1),
    'boat': (1, 1),
    'bottle': (1, 1),
    'bus': (1, 1),
    'car': (1, 1),
    'cat': (1, 1),
    'chair': (1, 1),
    'cow': (1, 1),
    'diningtable': (1, 1),
    'dog': (1, 1),
    'horse': (1, 1),
    'motorbike': (1, 1),
    'person': (1, 1),
    'pottedplant': (1, 1),
    'sheep': (1, 1),
    'sofa': (1, 1),
    'train': (1, 1),
    'tvmonitor': (1, 1),
    'total': (20, 20),
}
SPLITS_TO_SIZES = {
    'train': 5011,        #训练数据量
    'test': 4952,         #测试数据量
}
SPLITS_TO_STATISTICS = {
    'train': TRAIN_STATISTICS,
    'test': TEST_STATISTICS,
}
NUM_CLASSES = 20    #类别，根据自己数据的实际类别修改（不包含背景）

训练方案一

从vgg开始训练其中某些层的参数

# 通过加载预训练好的vgg16模型，对“voc07trainval+voc2012”进行训练
# 通过checkpoint_exclude_scopes指定哪些层的参数不需要从vgg16模型里面加载进来
# 通过trainable_scopes指定哪些层的参数是需要训练的，未指定的参数保持不变,若注释掉此命令，所有的参数均需要训练
DATASET_DIR=/home/doctorimage/kindlehe/common/dataset/VOC0712/
TRAIN_DIR=.././log_files/log_finetune/train_voc0712_20170816_1654_VGG16/
CHECKPOINT_PATH=../checkpoints/vgg_16.ckpt
 
python3 ../train_ssd_network.py     --train_dir=${TRAIN_DIR}       #训练生成模型的存放路径
    --dataset_dir=${DATASET_DIR}   #数据存放路径
    --dataset_name=pascalvoc_2007  #数据名的前缀
    --dataset_split_name=train     --model_name=ssd_300_vgg       #加载的模型的名字
    --checkpoint_path=${CHECKPOINT_PATH}   #所加载模型的路径
    --checkpoint_model_scope=vgg_16    #所加载模型里面的作用域名
    --checkpoint_exclude_scopes=ssd_300_vgg/conv6,ssd_300_vgg/conv7,ssd_300_vgg/block8,ssd_300_vgg/block9,ssd_300_vgg/block10,ssd_300_vgg/block11,ssd_300_vgg/block4_box,ssd_300_vgg/block7_box,ssd_300_vgg/block8_box,ssd_300_vgg/block9_box,ssd_300_vgg/block10_box,ssd_300_vgg/block11_box     --trainable_scopes=ssd_300_vgg/conv6,ssd_300_vgg/conv7,ssd_300_vgg/block8,ssd_300_vgg/block9,ssd_300_vgg/block10,ssd_300_vgg/block11,ssd_300_vgg/block4_box,ssd_300_vgg/block7_box,ssd_300_vgg/block8_box,ssd_300_vgg/block9_box,ssd_300_vgg/block10_box,ssd_300_vgg/block11_box     --save_summaries_secs=60   #每60s保存一下日志
    --save_interval_secs=600   #每600s保存一下模型
    --weight_decay=0.0005      #正则化的权值衰减的系数
    --optimizer=adam           #选取的最优化函数
    --learning_rate=0.001      #学习率
    --learning_rate_decay_factor=0.94  #学习率的衰减因子
    --batch_size=24    
    --gpu_memory_fraction=0.9   #指定占用gpu内存的百分比

训练方案二

从自己预训练好的模型开始训练（依然可以指定要训练哪些层）

（当你的模型通过vgg训练的模型收敛到大概o.5mAP的时候，可以进行这一步的fine-tune）
 
 
# 通过加载预训练好的vgg16模型，对“voc07trainval+voc2012”进行训练
# 通过checkpoint_exclude_scopes指定哪些层的参数不需要从vgg16模型里面加载进来
# 通过trainable_scopes指定哪些层的参数是需要训练的，未指定的参数保持不变
DATASET_DIR=/home/doctorimage/kindlehe/common/dataset/VOC0712/
TRAIN_DIR=.././log_files/log_finetune/train_voc0712_20170816_1654_VGG16/
CHECKPOINT_PATH=./log_files/log_finetune/train_voc0712_20170712_1741_VGG16/model.ckpt-253287
 
python3 ../train_ssd_network.py     --train_dir=${TRAIN_DIR}       #训练生成模型的存放路径
    --dataset_dir=${DATASET_DIR}   #数据存放路径
    --dataset_name=pascalvoc_2007  #数据名的前缀
    --dataset_split_name=train     --model_name=ssd_300_vgg       #加载的模型的名字
    --checkpoint_path=${CHECKPOINT_PATH}   #所加载模型的路径
    --checkpoint_model_scope=vgg_16    #所加载模型里面的作用域名
    --checkpoint_exclude_scopes=ssd_300_vgg/conv6,ssd_300_vgg/conv7,ssd_300_vgg/block8,ssd_300_vgg/block9,ssd_300_vgg/block10,ssd_300_vgg/block11,ssd_300_vgg/block4_box,ssd_300_vgg/block7_box,ssd_300_vgg/block8_box,ssd_300_vgg/block9_box,ssd_300_vgg/block10_box,ssd_300_vgg/block11_box     --trainable_scopes=ssd_300_vgg/conv6,ssd_300_vgg/conv7,ssd_300_vgg/block8,ssd_300_vgg/block9,ssd_300_vgg/block10,ssd_300_vgg/block11,ssd_300_vgg/block4_box,ssd_300_vgg/block7_box,ssd_300_vgg/block8_box,ssd_300_vgg/block9_box,ssd_300_vgg/block10_box,ssd_300_vgg/block11_box     --save_summaries_secs=60   #每60s保存一下日志
    --save_interval_secs=600   #每600s保存一下模型
    --weight_decay=0.0005      #正则化的权值衰减的系数
    --optimizer=adam           #选取的最优化函数
    --learning_rate=0.001      #学习率
    --learning_rate_decay_factor=0.94  #学习率的衰减因子
    --batch_size=24    
    --gpu_memory_fraction=0.9   #指定占用gpu内存的百分比

从自己训练的ssd_300_vgg模型开始训练ssd_512_vgg的模型

  因此ssd_300_vgg中没有block12,又因为block7,block8,block9,block10,block11,中的参数张量两个网络模型中不匹配，因此ssd_512_vgg中这几个模块的参数不从ssd_300_vgg模型中继承，因此使用checkpoint_exclude_scopes命令指出。

     因为所有的参数均需要训练，因此不使用命令--trainable_scopes
 #/bin/bash
 DATASET_DIR=/home/data/xxx/imagedata/xing_tf/train_tf/
 TRAIN_DIR=/home/data/xxx/model/xing300512_model/
 CHECKPOINT_PATH=/home/data/xxx/model/xing300_model/model.ckpt-60000   #加载的ssd_300_vgg模型
 python3 ./train_ssd_network.py         --train_dir=${TRAIN_DIR}         --dataset_dir=${DATASET_DIR}         --dataset_name=pascalvoc_2007         --dataset_split_name=train         --model_name=ssd_512_vgg         --checkpoint_path=${CHECKPOINT_PATH}         --checkpoint_model_scope=ssd_300_vgg         --checkpoint_exclude_scopes=ssd_512_vgg/block7,ssd_512_vgg/block7_box,ssd_512_vgg/block8,ssd_512_vgg/block8_box,    ssd_512_vgg/block9,ssd_512_vgg/block9_box,ssd_512_vgg/block10,ssd_512_vgg/block10_box,ssd_512_vgg/block11,ssd_512_vgg/b    lock11_box,ssd_512_vgg/block12,ssd_512_vgg/block12_box         #--trainable_scopes=ssd_300_vgg/conv6,ssd_300_vgg/conv7,ssd_300_vgg/block8,ssd_300_vgg/block9,ssd_300_vgg/block1    0,ssd_300_vgg/block11,ssd_300_vgg/block4_box,ssd_300_vgg/block7_box,ssd_300_vgg/block8_box,ssd_300_vgg/block9_box,ssd_3    00_vgg/block10_box,ssd_300_vgg/block11_box         --save_summaries_secs=28800         --save_interval_secs=28800         --weight_decay=0.0005         --optimizer=adam         --learning_rate_decay_factor=0.94         --batch_size=16         --num_classes=4         -gpu_memory_fraction=0.8

训练方案3

# 注释掉CHECKPOINT_PATH，不提供初始化模型,让模型自己随机初始化权重，从头训练
# 删除checkpoint_exclude_scopes和trainable_scopes，因为是从头开始训练
#　CHECKPOINT_PATH=./log_files/log_finetune/train_voc0712_20170712_1741_VGG16/model.ckpt-253287
 
python3 ../train_ssd_network.py     --train_dir=${TRAIN_DIR}    #训练生成模型的存放路径
    --dataset_dir=${DATASET_DIR}   #数据存放路径
    --dataset_name=pascalvoc_2007  #数据名的前缀
    --dataset_split_name=train     --model_name=ssd_300_vgg   #加载的模型的名字
    #--checkpoint_path=${CHECKPOINT_PATH}  #所加载模型的路径,这里注释掉
    #--checkpoint_model_scope=vgg_16    #所加载模型里面的作用域名
    --save_summaries_secs=60   #每60s保存一下日志
    --save_interval_secs=600   #每600s保存一下模型
    --weight_decay=0.0005      #正则化的权值衰减的系数
    --optimizer=adam           #选取的最优化函数
    --learning_rate=0.00001    #学习率
    --learning_rate_decay_factor=0.94  #学习率的衰减因子
    --batch_size=32

验证

首先将测试数据转换为tfrecords
 #!/bin/bash  
 DATASET_DIR=./VOC2007/test     #VOC数据保存的文件夹（VOC的目录格式未改变）  

 #output directory where to store TFRecords files  
 OUTPUT_DIR=/home/xxx/imagedata/xingshizheng_tf  #自己建立的保存tfrecords数据的文件夹  
     
 python ./tf_convert_data.py   
       --dataset_name=pascalvoc   
        --dataset_dir=${DATASET_DIR}   
        --output_name=voc_2007_test      #注意修改为test
        --output_dir=${OUTPUT_DIR}

建立一个sh，用于验证的信息存储

    #!/bin/bash
    DATASET_DIR=./tfrecords/    #保存的转换为tfrcodes格式的数据
    EVAL_DIR=./logs/   # Directory where the results are saved to    
    CHECKPOINT_PATH=./checkpoints/ssd_vgg_300.ckpt   #换为自己训练的模型
 python3 ./eval_ssd_network.py         --eval_dir=${EVAL_DIR}         --dataset_dir=${DATASET_DIR}         --dataset_name=pascalvoc_2007         --dataset_split_name=test         --model_name=ssd_300_vgg         --checkpoint_path=${CHECKPOINT_PATH}         --batch_size=1

利用ssd_notebook.ipynb显示训练测试模型的结果

# Restore SSD model

将ckpt_filename=‘ ’路径进行修改

# Test on some demo image and visualize output

将path=‘ ’路径进行修改为自己的

  • 注意事项
    • –dataset_name=pascalvoc_2007 、–dataset_split_name=train、–model_name=ssd_300_vgg这三个参数不要随便取，是比较固定的判断值
    • 如果不想使用预训练的模型，需要将--checkpoint_path=${CHECKPOINT_PATH} 注释掉即可
    • 有时候运行脚本会报错，可能是之前依次运行导致显存占满。
      1. 在TRAIN_DIR路径下会产生四中文件：
          1. checkpoint :文本文件，包含所有model.ckpt-xxxx,相当于是不同时间节点生成的所有ckpt文件的一个索引。
          2. model.ckpt-2124.data-000000-of-000001：模型文件，保存模型的权重
          3. model.ckpt-2124.meta：图文件，保存模型的网络图
          4. model.ckpt-2124.index : 这个没搞太清楚
          5. graph.pbtxt：　用protobuf格式保存的模型的图

Reference

https://blog.csdn.net/liuyan20062010/article/details/78905517

https://blog.csdn.net/weixin_39881922/article/details/80569803

https://blog.csdn.net/weixin_39881922/article/details/80569803

https://blog.csdn.net/ei1990/article/details/75282855

https://blog.csdn.net/yu734390853/article/details/79481660

以上是关于SSD-Tensorflow 从工程角度进行配置的主要内容，如果未能解决你的问题，请参考以下文章

最美应用：从 Android 研发工程师的角度之“最美时光”

怎么使用unity进行缺陷管理

软件工程大作业快递代拿小程序项目 （第十组）

从工程的角度上理解coding

代做C单片机程序代写C单片机程序单片机C程序作业代写代做

开启 Spring 之旅：第一个 Spring 程序 ！[Spring][Eclipse 使用 Spring][Eclipse 配置 Spring 约束文件][Eclipse 配置 xml 模版](代