Tensorflow目标检测

Tensorflow官方目标检测给出了SSD、Faster rcnn等预训练模型，但没有给yolov3的预训练模型，但有热心的人已经实现了基于tensorflow来复现yolov3的算法，本文对该代码的训练测试流程做一介绍。

代码起源于YunYang1994的tensorflow-yolov3，后续类似的代码都是基于他进行的修改。我们今天介绍的Byronnar实现的tensorflow-serving-yolov3就是一种改进，相关改进作者这样介绍，本文就是基于后边的代码进行实现。

主要对原tensorflow-yolov3版本做了许多细节上的改进,训练了Visdrone2019数据集，准确率在87%左右, 如果觉得好用记得star一下哦，谢谢！ 步骤十分详细，特别适合新手入门serving端部署，有什么问题可以提issues,下面是改进细节:

1 修改了网络结构，支持了tensorflow-serving部署,自己训练的数据集也可以在线部署,并给出了 docker+yolov3-api测试脚本

2 修改了ulits文件，优化了demo展示,可以支持中文展示,添加了字体

3 详细的中文注释,代码更加易读,添加了数据敏感性处理,一定程度避免index的错误

4 修改了训练代码，支持其他数据集使用预训练模型了，模型体积减小二分之一(如果不用指数平滑，可以减小到200多M一个模型，减小三分之二），图片视频demo展示 完都支持保存到本地,十分容易操作

5 借鉴视频检测的原理,添加了批量图片测试脚本,速度特别快(跟处理视频每一帧一样的速度)

6 添加了易使用的Anchors生成脚本以及各步操作完整的操作流程

1 demo测试
1.1 下载及安装
$ git clone https://github.com/byronnar/tensorflow-serving-yolov3.git
$ cd tensorflow-serving-yolov3
$ pip install -r requirements.txt
从requirement文件中可以看出代码是基于tensorflow-gpu 1.11.0，如果你的版本与作者的不一致，可能会出现问题，不确定，可以试试

1.2 下载预训练模型
百度网盘链接: https://pan.baidu.com/s/1Il1ASJq0MN59GRXlgJGAIw 密码：vw9x

谷歌云盘链接: https://drive.google.com/open?id=1aVnosAJmZYn1QPGL0iJ7Dnd4PTAukSU4

$ cd checkpoint
$ tar -xvf yolov3_coco.tar.gz
$ cd …
$ python convert_weight.py
$ python freeze_graph.py
1.3 运行demo
$ python image_demo_Chinese.py # 中文显示
$ python image_demo.py # 英文显示
$ python video_demo.py # if use camera, set video_path = 0
运行成功后会显示结果图片

1.4 服务部署

转化成可部署的 saved model格式

$ python save_model.py

将产生的saved model文件夹里面的 yolov3 文件夹复制到 tmp 文件夹下面，再运行

$ docker run -p 8501:8501 --mount type=bind,source=/tmp/yolov3/,target=/models/yolov3 -e MODEL_NAME=yolov3 -t tensorflow/serving &

$ cd serving-yolov3

$ python yolov3_api.py
调用成功后显示如下画面

2 训练自己的数据
经过以上步骤，我们把环境都配置好了，接下来开始训练自己的数据

2.1 数据集准备
需要准备VOC格式的数据集，VOC2007的目录结构如下

VOC2007
├── Annotations
├── ImageSets
│ └── Main
└── JPEGImages
把我们标注的xml文件放到Annotations文件夹下，图片放到JPEGImages文件夹下，然后在VOC2007文件夹下新建一个脚本，用来生成ImageSets文件夹下的数据集结构，如下所示

import os
import random

trainval_percent = 0.1
train_percent = 0.9

xmlfilepath = ‘Annotations’
txtsavepath = ‘ImageSets/Main’

历遍"Annotations"文件夹然后返回列表

total_xml = os.listdir(xmlfilepath)

获取列表的总数

num = len(total_xml)
list = range(num)

tv = int(num * trainval_percent)
tr = int(tv * train_percent)

trainval = random.sample(list, tv)
train = random.sample(trainval, tr)

ftrainval = open(‘ImageSets/Main/trainval.txt’, ‘w’)
ftest = open(‘ImageSets/Main/test.txt’, ‘w’)
ftrain = open(‘ImageSets/Main/train.txt’, ‘w’)
fval = open(‘ImageSets/Main/val.txt’, ‘w’)

for i in list:
# 使用切片方法获取文件名(去掉后缀".xml")
name = total_xml[i][:-4] + ‘\n’
if i in trainval:
ftrainval.write(name)
if i in train:
ftest.write(name)
else:
fval.write(name)
else:
ftrain.write(name)

ftrainval.close()
ftrain.close()
fval.close()
ftest.close()
运行成功后，会在Main文件夹下生成test\train\trainval\val四个文件，至此数据集准备完成

2.2 修改类别名
在data/classes目录下保存了类别名文件，我们修改vis.names的内容，将自己的类别写入保存

在其它地方有用到coco.names文件，所以为了防止出错，我们将这个文件夹下每个names文件都修改为自己的类别，省去其它地方修改

2.3 修改anchors
通过聚类算法，产生我们数据集的anchors，直接运行anchors_generate.py文件，会输出9对坐标值，如下

$ python anchors_generate.py
anchors are:
45,45, 96,70, 80,112, 157,108, 118,172, 230,154, 169,246, 330,241, 279,358
the average iou is:
0.7574684115499671
将anchors值写入data/anchors/basline_anchors文件中

2.4 生成训练文件
运行split.py文件，会生成2007_test.txt 2007_train.txt 2007_val.txt三个文件，实际训练时从这三个文件中读取数据，文本中的数据格式如下

image_path x_min, y_min, x_max, y_max, class_id x_min, y_min ,…, class_id x_min, y_min

例如

xxx/xxx.jpg 18.19,6.32,424.13,421.83,20 323.86,2.65,640.0,421.94,20
xxx/xxx.jpg 48,240,195,371,11 8,12,352,498,14
2.5 修改配置文件
修改core/config.py文件，主要根据自己显存情况设置BATCH_SIZE值，建议不要太大，否则后续会报内存错误

2.6 开始训练
经过上述步骤，就完成了数据和配置文件的准备，接下来就可以开始训练了，直接运行train.py文件就行

$ python train.py
2019-11-26 15:36:24.311910: I tensorflow/core/platform/cpu_feature_guard.cc:141] Your CPU supports instructions that this TensorFlow binary was not compiled to use: AVX2 FMA
2019-11-26 15:36:24.981981: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1411] Found device 0 with properties:
name: TITAN V major: 7 minor: 0 memoryClockRate(GHz): 1.455
pciBusID: 0000:04:00.0
totalMemory: 11.78GiB freeMemory: 10.81GiB
2019-11-26 15:36:24.982042: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1490] Adding visible gpu devices: 0
2019-11-26 15:36:25.509204: I tensorflow/core/common_runtime/gpu/gpu_device.cc:971] Device interconnect StreamExecutor with strength 1 edge matrix:
2019-11-26 15:36:25.509273: I tensorflow/core/common_runtime/gpu/gpu_device.cc:977] 0
2019-11-26 15:36:25.509286: I tensorflow/core/common_runtime/gpu/gpu_device.cc:990] 0: N
2019-11-26 15:36:25.509692: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1103] Created TensorFlow device (/job:localhost/replica:0/task:0/device:GPU:0 with 10435 MB memory) -> physical GPU (device: 0, name: TITAN V, pci bus id: 0000:04:00.0, compute capability: 7.0)
=> Restoring weights from: ./checkpoint/yolov3_coco_demo.ckpt …
train loss: 67.78: 100%|████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 1427/1427 [05:24<00:00, 4.40it/s]
=> Epoch: 1 Time: 2019-11-26 15:43:56 Train loss: 786.53 Test loss: 93.00 Saving ./checkpoint/yolov3_train_loss=786.5312.ckpt …
train loss: 20.86: 100%|████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 1427/1427 [04:58<00:00, 4.79it/s]
=> Epoch: 2 Time: 2019-11-26 15:49:39 Train loss: 39.11 Test loss: 22.08 Saving ./checkpoint/yolov3_train_loss=39.1093.ckpt …
train loss: 20.92: 100%|████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 1427/1427 [04:55<00:00, 4.83it/s]
=> Epoch: 3 Time: 2019-11-26 15:55:22 Train loss: 16.35 Test loss: 14.92 Saving ./checkpoint/yolov3_train_loss=16.3459.ckpt …
train loss: 16.56: 100%|████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 1427/1427 [04:52<00:00, 4.88it/s]
=> Epoch: 4 Time: 2019-11-26 16:01:02 Train loss: 13.07 Test loss: 13.02 Saving ./checkpoint/yolov3_train_loss=13.0722.ckpt …
train loss: 6.54: 100%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 1427/1427 [04:52<00:00, 4.89it/s]
=> Epoch: 5 Time: 2019-11-26 16:06:40 Train loss: 11.71 Test loss: 11.79 Saving ./checkpoint/yolov3_train_loss=11.7074.ckpt …
运行时会保存最新的权重文件

3 模型验证
经过上边的训练，会在checkpoint文件夹下生成训练文件，训练时我们可以对每个模型进行验证，求mAP值，从而获得最优模型，需要注意的是在config文件中作者设置了两个阶段训练

__C.TRAIN.FISRT_STAGE_EPOCHS = 20
__C.TRAIN.SECOND_STAGE_EPOCHS = 30
在第一个阶段的时候没必要验证，因为结果会很差，基本全为0；等到了第二阶段的时候再做验证，mAP会逐渐提升。但是如何有效应对过拟合，还没有一个好的解决方法（我能想到的一个解决办法就是观察Train loss和Test loss的变化情况，当两个都在下降时表明还欠拟合，当train loss下降而test loss上升时，表明有过拟合的倾向了，可以提前终止训练）

首先修改config.py文件中TEST部分，主要是将__C.TEST.WEIGHT_FILE的值改为checkpoint中模型文件即可，然后运行以下脚本

$ python evaluate.py
$ cd mAP
$ python main.py -na
运行后再results文件夹下会生成结果图片，如下：
同时，在data/detection文件夹下保存了检测结果图片

至此完成了模型的训练及测试过程。

4 模型导出
上述步骤训练得到了checkpoint文件，我们在部署时一般会使用pb文件，所以接下来将checkpoint文件转化成pb文件，转化方法很简单，只需要修改freeze_graph.py文件中的pb_file（输出路径）和ckpt_file（输入路径）即可，然后运行该脚本，即可生成。

项目中作者给出了图片测试脚本image_demo.py和视频测试脚本video_demo.py，将pb_file路径改为刚才生成的文件，然后修改num_classes为自己的实际类别数，即可完成测试。
————————————————
版权声明：本文为CSDN博主「ZONG_XP」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/zong596568821xp/article/details/103257760