前言

对于TF的指标检测迁徙学习，我一开始是想通过Tensorflow提供的API，用JS来实现的。然而官网岂但没有案例，网上也没有踩坑的博客，加之我又焦急要弄水印检测。

于是就在网上看了很多人用python实现的自定义训练，我也试过很多。运行的时候各种问题，不是短少模块，就是版本兼容问题说什么convert 't' to a tensor and failed，还有运行Tensorboard打不开等等各种问题。所以我把运行过程遇到的大小谬误，以及谬误起因，如何解决报错都记录了下来，上面内容有跳过后面的环境搭建。如果要残缺的从环境搭建，模型测试和接下来的迁徙学习，须要联合后面的两篇文章一起看。

数据集制作

指标检测的数据集就是对以往图片通过工具进行无休止的标注了，标注工具有很多，这里我应用的是LableImg。地址：https://github.com/heartexlabs/labelImg，该工具曾经有发行版，标注会与图片生成绝对应的xml文件。为了前面的训练，能够将数据集分成train(训练集)和test(测试集)，而后在我的项目的 "models\research\object_detection" 新建 images(名字自定，只是前面配置要用到)文件夹并放入其中。

数据处理

这里要通过脚本将xml和图片门路转成xml，而后再将xml转为训练须要的record格局，在转换前须要在我的项目的"models\research\object_detection"下新建 "training" (寄存训练配置，标注映射，训练日志)和 "inference_graph" (最初训练的模型)，这里能够间接将国外博主demo（TensorFlow-Object-Detection-API-Tutorial-Train-Multiple-Objects-Windows-10），会笼罩并携带这几个文件夹，如下。

1.将xml文件转换为csv文件

1.1.新建xml_to_csv.py放入上图目录下。

1.2.代码编写

import osimport globimport pandas as pdimport xml.etree.ElementTree as ETdef xml_to_csv(path):    xml_list = []    for xml_file in glob.glob(path + '/*.xml'):        tree = ET.parse(xml_file)        root = tree.getroot()        for member in root.findall('object'):            value = (root.find('filename').text,                     int(root.find('size')[0].text),                     int(root.find('size')[1].text),                     member[0].text,                     int(member[4][0].text),                     int(member[4][1].text),                     int(member[4][2].text),                     int(member[4][3].text)                     )            xml_list.append(value)    column_name = ['filename', 'width', 'height', 'class', 'xmin', 'ymin', 'xmax', 'ymax']    xml_df = pd.DataFrame(xml_list, columns=column_name)    return xml_dfdef main():    for folder in ['train','test']:        image_path = os.path.join(os.getcwd(), ('images/' + folder))        xml_df = xml_to_csv(image_path)        xml_df.to_csv(('images/' + folder + '_labels.csv'), index=None)        print('Successfully converted xml to csv.')main()

1.3. 运行(胜利后会在image下生成两个csv文件)
python xml_to_csv.py

2.将csv文件转换为tfrecord文件

2.1.新建generate_tfrecord.py放入上图目录(models\research\object_detection)下。

2.2.代码编写，这里要留神class_text_to_int函数的值须要批改标注的项曾经定义的映射值。

"""Usage:  # From tensorflow/models/  # Create train data:  python generate_tfrecord.py --csv_input=images/train_labels.csv --image_dir=images/train --output_path=train.record  # Create test data:  python generate_tfrecord.py --csv_input=images/test_labels.csv  --image_dir=images/test --output_path=test.record"""from __future__ import divisionfrom __future__ import print_functionfrom __future__ import absolute_importimport osimport ioimport pandas as pdfrom tensorflow.python.framework.versions import VERSIONif VERSION >= "2.0.0a0":    import tensorflow.compat.v1 as tfelse:    import tensorflow as tffrom PIL import Imagefrom object_detection.utils import dataset_utilfrom collections import namedtuple, OrderedDictflags = tf.app.flagsflags.DEFINE_string('csv_input', '', 'Path to the CSV input')flags.DEFINE_string('image_dir', '', 'Path to the image directory')flags.DEFINE_string('output_path', '', 'Path to output TFRecord')FLAGS = flags.FLAGS# TO-DO replace this with label mapdef class_text_to_int(row_label):    if row_label == 'nine':        return 1    elif row_label == 'ten':        return 2    elif row_label == 'jack':        return 3    elif row_label == 'queen':        return 4    elif row_label == 'king':        return 5    elif row_label == 'ace':        return 6    else:        Nonedef split(df, group):    data = namedtuple('data', ['filename', 'object'])    gb = df.groupby(group)    return [data(filename, gb.get_group(x)) for filename, x in zip(gb.groups.keys(), gb.groups)]def create_tf_example(group, path):    with tf.gfile.GFile(os.path.join(path, '{}'.format(group.filename)), 'rb') as fid:        encoded_jpg = fid.read()    encoded_jpg_io = io.BytesIO(encoded_jpg)    image = Image.open(encoded_jpg_io)    width, height = image.size    filename = group.filename.encode('utf8')    image_format = b'jpg'    xmins = []    xmaxs = []    ymins = []    ymaxs = []    classes_text = []    classes = []    for index, row in group.object.iterrows():        xmins.append(row['xmin'] / width)        xmaxs.append(row['xmax'] / width)        ymins.append(row['ymin'] / height)        ymaxs.append(row['ymax'] / height)        classes_text.append(row['class'].encode('utf8'))        classes.append(class_text_to_int(row['class']))    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(image_format),        '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_exampledef main(_):    writer = tf.python_io.TFRecordWriter(FLAGS.output_path)    path = os.path.join(os.getcwd(), FLAGS.image_dir)    examples = pd.read_csv(FLAGS.csv_input)    grouped = split(examples, 'filename')    for group in grouped:        tf_example = create_tf_example(group, path)        writer.write(tf_example.SerializeToString())    writer.close()    output_path = os.path.join(os.getcwd(), FLAGS.output_path)    print('Successfully created the TFRecords: {}'.format(output_path))if __name__ == '__main__':    tf.app.run()

2.3.运行，胜利后会在 “models\research\object_detection” 目录下生成两个record文件。

python generate_tfrecord.py --csv_input=images\train_labels.csv --image_dir=images\train --output_path=train.recordpython generate_tfrecord.py --csv_input=images\test_labels.csv --image_dir=images\test --output_path=test.record

文件配置

在以下文件配置前，要确保指标检测预训练模型(faster_rcnn_inception_v2_coco_2018_01_28)曾经下载，如何下载和如何选取能够看后面文章，而后放入 "models\research\object_detection" 下。

1.labelmap.pbtxt

创立一个pbtxt后缀文件，放入 “models\research\object_detection\training”, 没有 “training”文件夹则创立，labelmap存入与generate_tfrecord.py的标签映射相似。

2.faster_rcnn_inception_v2_pets.config

找到 “research\object_detection\samples\configs” 下的 “faster_rcnn_inception_v2_pets.config” 复制到 “research\object_detection\training”下，也就是和下面文件一样, 最初还要批改以下配置。

第9行：num_classes是类别个数，批改成本人的类别个数，对于basketball, shirt, 和shoe的例子，num_classes=3，第110行：fine_tune_checkpoint批改为：fine_tune_checkpoint : "E:/4work/8python/1study/object_detection/object-detection-model/research/object_detection/faster_rcnn_inception_v2_coco_2018_01_28/model.ckpt"第126和128行：在train_input_reader局部, input_path和label_map_path改为：input_path : "E:/4work/8python/1study/object_detection/object-detection-model/research/object_detection/train.record"label_map_path: "E:/4work/8python/1study/object_detection/object-detection-model/research/object_detection/training/labelmap.pbtxt"第132行：num_examples个数批改成\images\test文件夹中的图片数量第140和142行：在eval_input_reader局部，把input_path和label_map_path门路批改成：input_path : "E:/4work/8python/1study/object_detection/object-detection-model/research/object_detection/test.record"label_map_path: "E:/4work/8python/1study/object_detection/object-detection-model/research/object_detection/training/labelmap.pbtxt"(留神：批改门路中的”/”不要打成”//”或者”\”。以及”不要错打成’。此外，具体的行数可能会和本文对不上，但在左近不难找，或者参考视频。)

环境配置

因为后面曾经把根本的依赖包和工具都曾经装置了，从模型下载的库里的 “三个环境变量” （特地留神一下，要联合上一篇一起操作）也配置了。官网的模型检测也能运行了。然而，迁徙学习还有点不太一样，须要的依赖更多一点，所以再操作一些配置。

1.slim装置

在以后虚拟环境下切换目录到上一级，也就是 "models\research"，再进入slim, 运行 “python setup.py install”， 当呈现 “error: could not create 'build': 当文件已存在时，无奈创立该文件” 报错时，须要将slim下的BUILD文件删除再运行 "python setup.py install"。

2.object-detection装置

其实这个在后面演示官网例子的检测时就曾经装置了，这里就再提一下，因为很重要，并且再前面训练的时候抛出的异样也和这里无关，这个就前面再说吧。

开始训练

1.创立train.py

1.1. "train.py"文件在/object_detection/legacy当中，把它放入到/object_detection中， 在门路\object_detection下输出指令：

(object_dection) E:\4work\8python\1study\object_detection\object-detection-model\research\object_detection>python train.py --logtostderr --train_dir=training/ --pipeline_config_path=training/faster_rcnn_inception_v2_pets.config

2.关上tensorboard

一个Tensorflow可视化工具，在后面装置Tensorflow-GPU时候也默认装置了，如果没有则 "pip install tensorboard", 版本最好与tensorflow统一。通过指定训练log查看训练过程面板, 执行完后胜利的话会呈现端口号为6006的拜访地址，而后放到浏览器中就能够查看。这里我用谷歌拜访不了，放到火狐就能够了，起因是啥，目前也不晓得，如果各位也遇到打不开的状况能够多试几个浏览器。

(object_dection) E:\4work\8python\1study\object_detection\object-detection-model\research\object_detection>tensorboard --logdir=training


3.报错汇总

这里的报错汇总是，开始执行训练时候，抛出的各种问题，有很多细节联合其余博客总结的，具体有哪些博客起源，我记不清就不放进去，如果你看到了，能够留言通知我，我再具体告之来处。

3.1.报错： No module named 'nets'

起因：models\research\slim没有配置，也就是我后面提到的环境配置
办法：在以后环境下切换目录到 "models\research\slim" 下，运行 “python setup.py install”， 当呈现 “error: could not create 'build': 当文件已存在时，无奈创立该文件” 报错时，须要将slim下的BUILD文件删除再运行 "python setup.py install"。

3.2.报错：NewRandomAccessFile failed to Create/Open: E:/4work/8python/1study/object_detection/object-detection-model/research/object_detection/labelmap.pbtxt : \udcd5\udcbb\udcb5\udcbd\udcb6\udca8\udcb5\udcc4\udcceļ\udcfe\udca1\udca3 ; No such file or directory。

起因：faster_rcnn_inception_v2_pets.config里train_input_reader下label_map_path门路写错了，导致没有找到文件。
办法：批改该门路即可。

3.3.报错：Tried to convert 't' to a tensor and failed. Error: Argument must be a dense tensor: range(0, 4) - got shape [4], but wanted []。

起因：通过查找后，终于在github的issues发现一个大佬说是Python3的兼容文件，他们很多是python3.6环境下降级tensorflow版本，比方从1.4到1.6报的谬误。
办法： 把research/object_detection/utils/learning_schedules.py文件的 第167-169多增加一个list()，这只是第一步，还有第二步而且很重，因为改完后马上执行训练，仍然会报整个谬误。

# ＃　批改167 - 170rate_index = tf.reduce_max(tf.where(tf.greater_equal(global_step, boundaries),                                    range(num_boundaries),                                    [0] * num_boundaries))# ＃　成rate_index = tf.reduce_max(tf.where(tf.greater_equal(global_step, boundaries),                                    list(range(num_boundaries)),                                    [0] * num_boundaries))

因为在训练中应用的object-detection还是之前编译的，当初批改了代码须要从新编译。目录切换到上一级(research)下，从新编译装置后再进行训练即可。

python setup.py buildpython setup.py install

模型导出

通过一个早晨的训练，训练次数达13万多，损失值降到了根本小于0.04, 按ctrl+c终止训练。

1.导出Inference Graph

上面“model.ckpt-XXXX”中的“XXXX”批改为最高的数字(训练次数最高的那一个文件) 这个指令会在\object_detection\inference_graph文件夹中生成一个frozen_inference_graph.pb文件，也就是本人训练后的模型。

python export_inference_graph.py --input_type image_tensor --pipeline_config_path training/faster_rcnn_inception_v2_pets.config --trained_checkpoint_prefix training/model.ckpt-XXXX --output_directory inference_graph

模型测试

原本是想将训练的模型改为js版的，然而原文作者写了图片检测，视频流检测和网络摄像头实时检测的程序，所以这里就通过以下的两个脚本演示。尽管然而，脚本里有用了cv2，上次装置原本就出了问题，所以这次还是屡次翻车，以下就是呈现的各种装置情况。

1.报错：No module named 'cv2'。
原本是通过pip install opencv-python下载的，然而电脑有个星杀毒流软件，又抛出Could not install packages due to an OSError: [WinError 225] 无奈胜利实现操作，因为文件蕴含*毒或潜在的垃圾软件，当我卸载RAV Lndpoint Protectio后，后果还是报错：Could not build wheels for opencv-python which use PEP 517 and cannot be installed directly，我也尝试过网上说的降级pip，用conda装置全都没用。最初关上anaconda面板，搜寻 "opencv" 挨个装置后，发现又呈现了新的问题。

2.报错：'ImportError: DLL load failed: 找不到指定的模块'。
报错起因可能是版本不对，然而在anaconda中没找到降级cv版本的中央，无奈之下就手动下载opencv-python包进行装置，找到与本人零碎(win后携带参数)和以后虚拟环境python版本(cp即python版本)对应的安装包即可。

3.测试图片指标检测

python Object_detection_image.py

4.测试视频指标检测

python Object_detection_video.py