关于Tensorflow！目标检测预训练模型的迁移学习

​

前言

关于TF的目标检测迁移学习，我一开始是想通过Tensorflow提供的API，用JS来实现的。但是官方不但没有案例，网上也没有踩坑的博客，加之我又着急要弄水印检测。

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，不是缺少模块，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错误，以及错误原因，如何解决报错都记录了下来，下面内容有跳过前面的环境搭建。如果要完整的从环境搭建，模型测试和接下来的迁移学习，需要结合前面的两篇文章一起看。

数据集制作

目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，这里我使用的是LableImg。地址：https://github.com/heartexlabs/labelImg，该工具已经有发行版，标注会与图片生成相对应的xml文件。为了后面的训练，可以将数据集分成train(训练集)和test(测试集)，然后在项目的 "models\research\object_detection" 新建 images(名字自定，只是后面配置要用到)文件夹并放入其中。

数据处理

这里要通过脚本将xml和图片路径转成xml，然后再将xml转为训练需要的record格式，在转换前需要在项目的"models\research\object_detection"下新建 "training" (存放训练配置，标注映射，训练日志)和 "inference_graph" (最后训练的模型)，这里可以直接将国外博主demo（TensorFlow-Object-Detection-API-Tutorial-Train-Multiple-Objects-Windows-10），会覆盖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 os
import glob
import pandas as pd
import xml.etree.ElementTree as ET

def 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_df

def 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(成功后会在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，这里要注意class_text_to_int函数的值需要修改标注的项已经定义的映射值。

"""
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 division
from __future__ import print_function
from __future__ import absolute_import

import os
import io
import pandas as pd

from tensorflow.python.framework.versions import VERSION
if VERSION >= "2.0.0a0":
    import tensorflow.compat.v1 as tf
else:
    import tensorflow as tf

from PIL import Image
from object_detection.utils import dataset_util
from collections import namedtuple, OrderedDict

flags = tf.app.flags
flags.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 map
def 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:
        None

def 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_example

def 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，成功后会在 “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.record
python 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，要确保目标检测预训练模型(faster_rcnn_inception_v2_coco_2018_01_28)已经下载，如何下载和如何选取可以看前面文章，然后放入 "models\research\object_detection" 下。

1. labelmap.pbtxt

创建一个pbtxt后缀文件，放入 “models\research\object_detection\training”, 没有 “training”文件夹则创建，labelmap存入与generate_tfrecord.py的标签映射类似。

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，也就是和上面文件一样, 最后还要修改以下配置。

第9行：num_classes是类别个数，修改成自己的类别个数，对于basketball, shirt, 和shoe的例子，num_classes=3，

第110行：fine_tune_checkpoint修改为：

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部分, 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个数修改成\images\test文件夹中的图片数量

第140和142行：在eval_input_reader部分，把input_path和label_map_path路径修改成：

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"

(注意：修改路径中的”/”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，但在附近不难找，或者参考视频。)

环境配置

因为前面已经把基本的依赖包和工具都已经安装了，从模型下载的库里的 “三个环境变量” （特别注意一下，要结合上一篇一起操作）也配置了。官方的模型检测也能运行了。但是，迁移学习还有点不太一样，需要的依赖更多一点，所以再操作一些配置。

1. slim安装

在当前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”， 当出现 “error: could not create 'build': 当文件已存在时，无法创建该文件” 报错时，需要将slim下的BUILD文件删除再运行 "python setup.py install"。

2. object-detection安装

其实这个在前面演示官方例子的检测时就已经安装了，这里就再提一下，因为很重要，并且再后面训练的时候抛出的异常也和这里有关，这个就后面再说吧。

开始训练

1. 创建train.py

1.1. "train.py"文件在/object_detection/legacy当中，把它放入到/object_detection中， 在路径\object_detection下输入指令：

(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. 打开tensorboard

一个Tensorflow可视化工具，在前面安装Tensorflow-GPU时候也默认安装了，如果没有则 "pip install tensorboard", 版本最好与tensorflow一致。通过指定训练log查看训练过程面板, 执行完后成功的话会出现端口号为6006的访问地址，然后放到浏览器中就可以查看。这里我用谷歌访问不了，放到火狐就可以了，原因是啥，目前也不知道，如果各位也遇到打不开的情况可以多试几个浏览器。

(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，有很多细节结合其他博客总结的，具体有哪些博客来源，我记不清就不放出来，如果你看到了，可以留言告诉我，我再详细告之来处。

3.1. 报错： No module named 'nets'

原因：models\research\slim没有配置，也就是我前面提到的环境配置

方法：在当前环境下切换目录到 "models\research\slim" 下，运行 “python setup.py install”， 当出现 “error: could not create 'build': 当文件已存在时，无法创建该文件” 报错时，需要将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 : ϵͳ\udcd5Ҳ\udcbb\udcb5\udcbdָ\udcb6\udca8\udcb5\udcc4\udcceļ\udcfe\udca1\udca3 ; No such file or directory。

原因： faster_rcnn_inception_v2_pets.config里train_input_reader下label_map_path路径写错了，导致没有找到文件。

方法： 修改该路径即可。

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 []。

原因： 经过查找后，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环境下升级tensorflow版本，比如从1.4到1.6报的错误。

方法： 把`research/object_detection/utils/learning_schedules.py`文件的 第167-169多添加一个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，依然会报整个错误。

# ＃　修改167 - 170
rate_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))

因为在训练中使用的object-detection还是之前编译的，现在修改了代码需要重新编译。目录切换到上一级(research)下，重新编译安装后再进行训练即可。

python setup.py build
python setup.py install

模型导出

经过一个晚上的训练，训练次数达13万多，损失值降到了基本小于0.04, 按ctrl+c终止训练。

1. 导出Inference Graph

下面“model.ckpt-XXXX”中的“XXXX”修改为最高的数字(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，也就是自己训练后的模型。

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

本来是想将训练的模型改为js版的，但是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。虽然但是，脚本里有用了cv2，上次安装本来就出了问题，所以这次还是多次翻车，以下就是出现的各种安装状况。

1. 报错：No module named 'cv2'。

本来是通过pip install opencv-python下载的，但是电脑有个*星杀毒流*软件，又抛出Could not install packages due to an OSError: [WinError 225] 无法成功完成操作，因为文件包含*毒或潜在的垃圾软件，当我卸载RAV Lndpoint Protectio后，结果还是报错：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升级pip，用conda安装全都没用。最后打开anaconda面板，搜索 "opencv" 挨个安装后，发现又出现了新的问题。

2. 报错：'ImportError: DLL load failed: 找不到指定的模块'。

报错原因可能是版本不对，但是在anaconda中没找到升级cv版本的地方，无奈之下就手动下载opencv-python包进行安装，找到与自己系统(win后携带参数)和当前虚拟环境python版本(cp即python版本)对应的安装包即可。

3. 测试图片目标检测

python Object_detection_image.py

4. 测试视频目标检测

python Object_detection_video.py

​