使用SSD網絡模型進行Tensorflow物體檢測?（V1.0圖像檢測）

文章目錄

• 使用SSD網絡模型進行Tensorflow物體檢測?（V1.0圖像檢測）
• • 1.模型的加載和utils庫環境的配置？
  • 2.模型的導入和使用？
  • • 1.import 使用的相關的庫
    • • 關于庫的安裝和解除安裝更新問題？
    • 2.使用import_graph_def()和load_labelmap()對模型檔案的導入
    • 3.對label_map進行轉換得到category_index分類索引檔案
    • 4.自定義将image圖檔轉換為numpy數組的函數
    • 5.定義測試圖檔路徑，以及使用tf.Graph()預設圖進行測試
    • 6.在預設圖tf.Graph()中添加測試圖檔的可視化效果
  • 3.模型的測試與評估？

1.模型的加載和utils庫環境的配置？

​ 1.準備好ssd_mobilenet_v1網絡模型的frozen_inference_graph.pb和mscoco_label_map.pbtxt檔案。(文中所涉及檔案和代碼均已上傳，連結提取碼：mztu)

​ 2.配置好utils庫檔案以及pycache環境，将準備好的label_map_util.py和visualization_utils.py檔案以及對應的label_map_util.cpython-36.pyc和visualization_utils.cpython-36.pyc複制粘貼到運作環境目錄下。

2.模型的導入和使用？

1.import 使用的相關的庫

import cv2
import numpy as np
import tensorflow as tf
from PIL import Image

from utils import label_map_util
from utils import visualization_utils as vis_util
           

關于庫的安裝和解除安裝更新問題？

​ 提升下載下傳速度的方法：

指定源：pip install -i https://pypi.tuna.tsinghua.edu.cn/simple imageio(指定的庫)  
           

指定版本的方法：

指定版本：pip install -i https://pypi.tuna.tsinghua.edu.cn/simple imageio==1.0.2(指定的源+庫版本)  
           

​ 更新庫時，解除安裝原來的庫失敗：

忽略installed的庫：pip  install --ignore-installed -i https://pypi.tuna.tsinghua.edu.cn/simple imageio(指定的庫)  
           

2.使用import_graph_def()和load_labelmap()對模型檔案的導入

PATH_TO_CKPT = "E:/DeepLearn/github項目/PART1/11 TensorFlow物體檢測/ssd_mobilenet_v1_coco_2017_11_17/" \
               "frozen_inference_graph.pb"
PATH_TO_LABELS = "E:/DeepLearn/github項目/PART1/11 TensorFlow物體檢測/ssd_mobilenet_v1_coco_2017_11_17/" \
                 "mscoco_label_map.pbtxt"

detection_graph = tf.Graph()
with detection_graph.as_default():
    od_graph_def = tf.GraphDef()
    with tf.gfile.GFile(PATH_TO_CKPT, 'rb') as fid:
        od_graph_def.ParseFromString(fid.read())
        tf.import_graph_def(od_graph_def, name='')#這個地方容易報錯，name不要填寫名稱，多調試幾次即可運作。

label_map = label_map_util.load_labelmap(PATH_TO_LABELS)
           

3.對label_map進行轉換得到category_index分類索引檔案

NUM_CLASSES = 90#這裡使用的ssd網絡共90種分類

categories = label_map_util.convert_label_map_to_categories(label_map, max_num_classes=NUM_CLASSES,
                                                            use_display_name=True)
category_index = label_map_util.create_category_index(categories)
           

4.自定義将image圖檔轉換為numpy數組的函數

def load_image_into_numpy_array(image):
    (im_width, im_height) = image.size
    return np.array(image.getdata()).reshape((im_height, im_width, 3)).astype(np.uint8)#将圖檔的格式重組
           

5.定義測試圖檔路徑，以及使用tf.Graph()預設圖進行測試

TEST_IMAGE_PATHS = ['E:/DeepLearn/github項目/PART1/11 TensorFlow物體檢測/test_images/image1.jpg']

with detection_graph.as_default():
    with tf.Session(graph=detection_graph) as sess:
        image_tensor = detection_graph.get_tensor_by_name('image_tensor:0')#輸入層，0是序号
        detection_boxes = detection_graph.get_tensor_by_name('detection_boxes:0')#檢測的候選區域層
        detection_scores = detection_graph.get_tensor_by_name('detection_scores:0')#測試得分層
        detection_classes = detection_graph.get_tensor_by_name('detection_classes:0')#分類類别
        num_detections = detection_graph.get_tensor_by_name('num_detections:0')#總共的識别的類别總數
        for image_path in TEST_IMAGE_PATHS:
            image = Image.open(image_path)
            image_np = load_image_into_numpy_array(image)#将圖檔轉換為numpy數組
            image_np_expanded = np.expand_dims(image_np, axis=0)#将圖檔的三維數組變成四維，第一個次元是序号
            (boxes, scores, classes, num) = sess.run(
                [detection_boxes, detection_scores, detection_classes, num_detections],
                feed_dict={image_tensor: image_np_expanded})#喂資料得到相應的結果(boxes, scores, classes, num)
           

6.在預設圖tf.Graph()中添加測試圖檔的可視化效果

vis_util.visualize_boxes_and_labels_on_image_array(image_np, np.squeeze(boxes),
                                                               		np.squeeze(classes).astype(np.int32), np.squeeze(scores),
                                                               category_index, use_normalized_coordinates=True,
                                                               line_thickness=8)#将候選區域和标簽列印在圖檔上
            image_np = cv2.cvtColor(image_np, cv2.COLOR_RGB2BGR)
            cv2.imshow('object detection', image_np)
            cv2.imwrite("E:\DeepLearn\dogggy.jpg", image_np)
            cv2.waitKey(0)
           

​ 需要注意的是，這一部分代碼包含在for循環裡，不要放在with detection_graph.as_default():的外面！

3.模型的測試與評估？

人：

狗：

對于距離适中的物體類别檢測還是具有較高的識别精度，但是模型的細膩度還是有欠缺的，也存在錯誤識别，未識别的問題。SSD網絡模型作為一個可以動态識别物體類别的模型，識别圖檔的内容類别整體效果還是不錯的，SSD_V1模型也僅僅隻有20多MB,可以供初學者上手學習作為計算機視覺入門的案例。