如何重新训练Tensorflow图像分类模型

如何重新训练Tensorflow Inception模型在Ubuntu上添加新类

此文章仅用作个人查找资料参考做个笔记用途

原文地址：https://sourcedexter.com/retrain-tensorflow-inception-model/

感谢谷歌，我们现在可以下载V3的预先训练模型，并设置我们的图像分类器。我们不必花费大量的时间从头开始训练这个模型。预先训练的模型可以分类1000个不同的对象，我们也可以添加更多的类或类别。重新训练Tensorflow初始模型花费的时间比从零开始训练时间少得多。

我们之所以不从头开始培训新车型，是因为在较低的硬件规格上进行培训可能需要几天或几周的时间。当我们重新训练Tensorflow初始模型时，我们可以在几个小时或一天内完成。再培训的次数越多，再培训的时间越长。要继续学习本教程，如果您熟悉Tensorflow的一些概念并开始工作，将会有所帮助。如果你不是，那么你可以在这个简单的指南中看到更多Tensorflow的概念和术语。

此外，如果您还没有，请查看使用预先训练的模型设置tensorflow图像分类器的教程。这是初学者测试一个深度学习建立的分类器可以做什么。

再培训如何工作？

到目前为止，你知道再培训是一个体面GPU的机器上的一个快速过程。要了解为什么它很快，您需要了解Tensorflow Bottlenecks的概念。神经网络的最后一层被训练成根据所获得的图像给出不同的值。该层具有足够的汇总信息以提供进行实际分类任务的下一层。这最后一层被称为瓶颈。

Tensorflow计算所有瓶颈值作为培训的第一步。然后存储瓶颈值，因为每次迭代训练都需要瓶颈值。这些值的计算速度更快，因为张量流利用现有的预先训练的模型的帮助来协助处理。默认4000次训练将被执行。这可以根据所需的精度而变化。瓶颈值的计算在再训练过程中花费最多的时间。

步骤1：下载预先训练的模型和所需的脚本。

我已经把所有需要的文件合并成一个git仓库。通过使用以下命令下载并导航到该文件夹​​。

git clone https: //github .com /akshaypai/tfClassifier
cd tfClassifier

该文件夹包含重新训练分类器所需的脚本，以及我们将使用的预先训练的模型。

第二步：设置图片文件夹

这一步涉及设置文件夹结构，使张量流可以轻松地拾取类。假设你想培养5种新的花型，例如“玫瑰”，“郁金香”，“蒲公英”，“五月花”和“万寿菊”。要创建文件夹结构，

1. 为每种花型创建一个文件夹。该文件夹的名称将是类的名称（在这种情况下，该特定的花）。
2. 将所有花的图像添加到其各自的文件夹。例如; 玫瑰的所有图像进入“玫瑰”文件夹。
3. 将所有的文件夹添加到另一个父文件夹中，比如“花朵”。

在这个练习结束时，你将会有如下结构：

~ /flowers

~ /flowers/roses/img1 .jpg

~ /flowers/roses/img2 .jpg

...

~ /flowers/tulips/tulips_img1 .jpg

~ /flowers/tulips/tulips_img2 .jpg

~ /flowers/tulips/tulips_img3 .jpg

...

这将重复所有的文件夹。文件夹结构现在已准备就绪。

广告：不要错过 - Python的数据科学和机器学习训练营

第3步：运行重新培训脚本

使用以下命令运行脚本。

python retrain.py --model_dir ./inception --image_dir ~/flowers --output_graph ./output.pb --output_labels ./labels.txt --how_many_training_steps 500

命令行参数：

• -model_dir - 该参数给出了预先训练的模型的位置。预先训练的模型存储在git仓库的启动文件夹下。
• -image_dir - 在步骤2中创建的图像文件夹的路径
• -output_graph -  存储新近训练的图形的位置。
• -how_many_training_steps - 训练步骤指示要执行的数字迭代。默认情况下，这是4000.找到正确的数字是一个试验和错误的过程，一旦你找到最好的模型，你可以开始使用它。

你的新模型可以表现更好。因此，使用其他参数来提高准确性。

• random_crop - 随机裁剪允许您专注于图像的主要部分。
• Random_scale - 这与裁剪类似，但随机放大图像大小。
• flip_left_right - 翻转是水平旋转的图像，并与此功能，翻转可以在训练图像随机诱导。

可以控制验证和测试集的大小和百分比。失真还包括随机亮度。诱导失真考虑到实时检测阶段发生的各种异常情况。适合您的失真类型取决于您正在使用的图像的类型和类别。这使参数选择和调整尝试和错误的练习。

更新1：添加了测试再培训模型的代码

一旦你有训练有素的模型，你将有两个文件作为输出。首先是“ouput.pb”文件，第二个是“labels.txt”文件。为了测试模型，你可以在名为“ retrain_model_classifier.py ” 的git Repository中找到一个新脚本。要测试模型，请按照以下步骤进行。

1. 确保ret​​rain_model_classifier.py与重新训练的模型和标签文件在同一个文件夹中。
2. 运行以下命令。

python retrain_model_classifier.py

#following is an example of classifying an image present in Pictures directory: 

python retrain_model_classifier.py / home / akshay / Pictures / test_image_flower.jpg

#following is an example output

"""

rose ( score=0.78)

tulips( score=0.14)

others( score =0.02)

"""

注意：

1. 输出将是每个类别中概率值最高的概率值。在下面的例子中，模型说78％的图片属于“玫瑰”类。因此，分类结果将是“玫瑰”。