Train Tensorflow Object Detection auf eigenem Datensatz

Dies übernimmt das Modul bereits installiert ist. Bitte beziehen Sie sich auf Ihre Dokumentation wenn nicht.

Haftungsausschluss

Diese Antwort ist nicht dazu gedacht, den Recht oder nur Weise der Ausbildung der Objekt detection-Modul. Das ist einfach, ich Teile meine Erfahrung und das, was für mich gearbeitet hat. Ich bin offen für Vorschläge und das lernen mehr über, wie ich bin noch neu für ML im Allgemeinen.

TL;DR

1. Erstellen Sie Ihre eigenen PASCAL-VOC-format dataset
2. Generieren TFRecords von es
3. Konfigurieren einer pipeline
4. Visualisieren

Jeder Abschnitt dieser Antwort besteht aus einem entsprechend Bearbeiten (siehe unten). Nach der Lektüre jedes Abschnitts, lies bitte die Bearbeiten-als auch für die Klarstellungen. Korrekturen und Tipps wurden Hinzugefügt, die für jeden Abschnitt.

Tools verwendet

LabelImg: Ein tool für die Erstellung von PASCAL-VOC-format Anmerkungen.

1. Erstellen Sie Ihre eigenen PASCAL-VOC-dataset

PS: Für die Einfachheit, den Ordner Namenskonvention meine Antwort folgt, dass der Pascal VOC 2012

Einen Blick in die Mai 2012 dataset, Sie werden bemerken, dass der Ordner mit der folgenden Struktur


+VOCdevkit
+VOC2012
+Annotations
+ImageSets
+Action
+Layout
+Main
+Segmentation
+JPEGImages
+SegmentationClass
+SegmentationObject


Zur Zeit werden die änderungen wurden vorgenommen, um die folgenden Ordner:

Anmerkungen: hier werden alle Bilder, die entsprechenden XML-Dateien abgelegt werden. Verwenden Sie das empfohlene tool vor, um die Beschriftungen erstellen. Mach dir keine sorgen über <truncated> und <difficulty> - tags, da Sie ignoriert werden, indem der Trainings-und eval-Binärdateien.

JPEGImages: der Ort Ihrer tatsächlichen Bildern. Stellen Sie sicher, Sie sind vom Typ JPEG, weil das ist, was derzeit unterstützt wird, um TFRecords mit Ihren script.

ImageSets->Main: Diese besteht lediglich aus text-Dateien. Für jede Klasse gibt es eine entsprechende train.txt, trainval.txt und val.txt. Unten ist ein Beispiel der Inhalte der aeroplane_train.txt in der VOC 2012 Ordner

2008_000008 -1
2008_000015 -1
2008_000019 -1
2008_000023 -1
2008_000028 -1
2008_000033  1

Die Struktur ist im Grunde Bild-name gefolgt von einem boolean zu sagen, ob das entsprechende Objekt in das Bild, oder nicht. Nehmen Sie zum Beispiel Bild 2008_000008 nicht aus einem Flugzeug daher markiert mit einem -1 aber Bild 2008_000033 tut.

Schrieb ich ein kleines Python-Skript zu generieren, diese text-Dateien. Einfach Durchlaufen und den Namen des Bildes und vergeben Sie einen 1 oder -1 neben Ihnen für die Objekt-Existenz. Ich habe einige Zufälligkeit unter meinen text-Dateien, die durch das mischen der Namen des Bildes.

Den {classname}_val.txt Dateien aus der Test Validierung-datasets. Betrachten Sie dies als die test-Daten während des Trainings. Sie möchten, teilen Sie das dataset in Trainings-und Validierung. Mehr info finden Sie hier. Das format dieser Dateien ist ähnlich wie bei der Ausbildung.

Zu diesem Zeitpunkt Ihre Ordner-Struktur sollte


+VOCdevkit
+VOC2012
+Annotations
--(for each image, generated annotation)
+ImageSets
+Main
--(for each class, generated *classname*_train.txt and *classname*_val.txt)
+JPEGImages
--(a bunch of JPEG images)


---

1.1 Erzeugung label anzeigen

Mit dem dataset bereit, die wir brauchen, um das entsprechende label-Karten.
Navigieren Sie zu Modelle/object_detection/Daten und öffnen pascal_label_map.pbtxt.

Diese Datei besteht aus einem JSON, vergibt eine ID und einen Namen für jedes Element. Änderungen an dieser Datei entsprechend Ihrer gewünschten Objekte.

---

2. Generieren TFRecords

Wenn Sie einen Blick in Ihren code vor allem diese Linie, Sie greifen explizit die aeroplane_train.txt nur. Für die neugierigen Köpfe, hier ist, warum. Ändern Sie diese Dateinamen, um alle Ihre Klasse-Zuges text-Datei.

Stellen Sie sicher VOCdevkit innerhalb Modelle/object_detection dann können Sie voran gehen und generieren die TFRecords.

Bitte gehen Sie durch Ihren code zuerst sollten Sie auf Probleme stoßen. Es ist selbsterklärend und gut dokumentiert.

---

3. Pipeline-Konfiguration

Den Anweisungen sollte selbsterklärend sein, zur Deckung dieses segment. Beispiel-Konfigurationen finden Sie in object_detection/samples/configs.

Für diejenigen, die den Zug von vorne, wie ich es Tat, so stellen Sie sicher, entfernen Sie die fine_tune_checkpoint und from_detection_checkpoint Knoten. Hier was meine config Datei sah aus wie für Referenz.

Von hier aus können Sie weiter mit der tutorial und führen die Ausbildung.

---

4. Visualisieren

Vergewissern Sie sich, dass die eval-parallel zur Ausbildung, um in der Lage sein zu visualisieren, die den Lernprozess. Zitat Jonathan Huang

ist der beste Weg zu laufen, nur die eval.py binären. Wir in der Regel führen diese
binäre parallel zur Ausbildung, verweisen Sie auf das Verzeichnis, das
der checkpoint ist ausgebildet. Die eval.py binäre schreiben
Protokolle zu einer eval_dir dass Sie angeben, was Sie können, zeigen Sie dann auf
mit Tensorboard.

Sie wollen, um zu sehen, dass die Karte "abgehoben" in den ersten paar Stunden,
und dann wollen Sie sehen, wenn es konvergiert. Es ist schwer zu sagen, ohne
mit Blick auf diese Diagramme, wie viele Schritte Sie benötigen.

---

EDIT ich (28 Juli '17):

Ich nie erwartet, dass meine Antwort so viel Aufmerksamkeit zu bekommen, so dass ich beschloss, wieder zu kommen und es zu überprüfen.

Tools

Für meine Kolleginnen und Apple-Benutzer, Sie könnten tatsächlich verwenden RectLabel für Anmerkungen.

Pascal VOC

Nach dem Graben um, ich erkannte schließlich, dass trainval.txt ist eigentlich die Vereinigung von Trainings-und Validierungs-Datensätze.

Bitte schauen Sie auf Ihre offizielle development kit zu verstehen, das format sogar noch besser.

Karte Beschriften Generation

In der Zeit meines Schreibens, ID 0 steht für none_of_the_above. Es wird empfohlen, dass Sie Ihre IDs starten ab 1.

Visualisieren

Nach ausführen der Auswertung und gerichtet tensorboard, um Ihre Eval-Verzeichnis, es werde Ihnen zeigen, die Karte von jeder Kategorie zusammen mit jeder Kategorie Leistung. Das ist gut, aber ich sehen, wie meine Trainingsdaten als auch parallel mit Eval.

Um dies zu tun, führen Sie tensorboard auf einen anderen port und verweisen Sie auf Ihren Zug Verzeichnis

tensorboard --logdir=${PATH_TO_TRAIN} --port=${DESIRED_NUMBER}

InformationsquelleAutor der Antwort eshirima