Tensorflow目标检测接口配合tflite量化模型

程序员文章站 2024-03-24 15:26:40

...

1. 部署环境：

在PC上安装CUDA10和对应cuDNN，网上教程很多，这里不再累赘，推荐使用conda集成环境，1. 新建python环境，2. 安装tensorflow-gpu=1.13, TensorFlow对象检测API需要使用其GitHub存储库中提供的特定目录结构, 所以第三步：从GitHub下载TensorFlow对象检测API存储库(下载TF V1.13版本，这里要与我们Python tensorflow对应 wget https://github.com/tensorflow/models/archive/v1.13.0.zip)

TensorFlow版本	GitHub模型存储库提交
TF v1.7	https://github.com/tensorflow/models/tree/adfd5a3aca41638aa9fb297c5095f33d64446d8f
TF v1.8	https://github.com/tensorflow/models/tree/abd504235f3c2eed891571d62f0a424e54a2dabc
TF v1.9	https://github.com/tensorflow/models/tree/d530ac540b0103caa194b4824af353f1b073553b
TF v1.10	https://github.com/tensorflow/models/tree/b07b494e3514553633b132178b4c448f994d59df
TF v1.11	https://github.com/tensorflow/models/tree/23b5b4227dfa1b23d7c21f0dfaf0951b16671f43
TF v1.12	https://github.com/tensorflow/models/tree/r1.12.0
TF v1.13	https://github.com/tensorflow/models/tree/r1.13.0
最新版本	https://github.com/tensorflow/models

安装依赖

sudo apt-get install protobuf-compiler python-pil python-lxml python-tk
pip install --user Cython
pip install --user contextlib2
pip install --user jupyter
pip install --user matplotlib

安装 COCO API

下载 cocoapi ，然后复制 pycocotools 文件夹到 tensorflow/models/research 文件夹。默认使用基于 Pascal VOC 的评价指标；如果你对使用 COCO 评价指标感兴趣：使用 COCO 目标检测（object detection）指标，请添加metrics_set: "coco_detection_metrics"到配置文件eval_config消息中；使用 COCO 实例分割（instance segmentation）指标，请添加metrics_set: "coco_mask_metrics"到配置文件eval_config消息中。

git clone https://github.com/cocodataset/cocoapi.git
cd cocoapi/PythonAPI
make
cp -r pycocotools <path_to_tensorflow>/models/research/

编译Protobuf和将库添加进 PYTHONPATH

Tensorflow Object Detection API 使用 Protobufs 来控制模型与训练参数。在使用框架之前，Protobuf 库必须被编译。这可以在 tensorflow/models/research/ 文件夹下运行命令：

./bin/protoc object_detection/protos/*.proto --python_out=.

当在本地运行时，tensorflow/models/research/ 和 slim 文件夹需要加入 PYTHONPATH 。这可以在 tensorflow/models/research/ 文件夹下运行下列命令来完成：

export PYTHONPATH=$PYTHONPATH:`pwd`:`pwd`/slim

注意： 如果这里添加路径之后还提示找不到"nets"文件，可以直接复制slim文件到research目录下

测试是否成功

python object_detection/builders/model_builder_test.py

返回OK则OK

2. 制作数据集

使用label-image标注工具对样本进行标注，得到VOC格式数据。将所有的图片放入images/文件夹，标注得到的xml文件保存到merged_xml/文件夹内，并新建文件夹Annotations/
Tensorflow目标检测接口配合tflite量化模型

训练集划分与配置文件修改

新建train_test_split.py把xml数据集分为了train 、test、 validation三部分，并存储在Annotations文件夹中，train为训练集占76.5%，test为测试集10%，validation为验证集13.5%，train_test_split.py代码如下：

import os  
import random  
import time  
import shutil  
  
xmlfilepath = r'merged_xml'  
saveBasePath = r"./Annotations"  
  
trainval_percent = 0.9  
train_percent = 0.85  
total_xml = os.listdir(xmlfilepath)  
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)  
print("train and val size",tv)  
print("train size",tr)   
start = time.time()   
test_num = 0  
val_num = 0  
train_num = 0  

for i  in list:  
    name = total_xml[i]  
    if i in trainval:  # train and val set  
        if i in train:  
            directory = "train"  
            train_num += 1  
            xml_path = os.path.join(os.getcwd(), 'Annotations/{}'.format(directory))  
            if(not os.path.exists(xml_path)):  
                os.mkdir(xml_path)  
            filePath = os.path.join(xmlfilepath,name)  
            newfile = os.path.join(saveBasePath,os.path.join(directory,name))  
            shutil.copyfile(filePath, newfile)  
  
        else:  
            directory = "validation"  
            xml_path = os.path.join(os.getcwd(), 'Annotations/{}'.format(directory))  
            if(not os.path.exists(xml_path)):  
                os.mkdir(xml_path)  
            val_num += 1  
            filePath = os.path.join(xmlfilepath,name)   
            newfile = os.path.join(saveBasePath,os.path.join(directory,name))  
            shutil.copyfile(filePath, newfile)  
    else: 
        directory = "test"  
        xml_path = os.path.join(os.getcwd(), 'Annotations/{}'.format(directory))  
        if(not os.path.exists(xml_path)):  
            os.mkdir(xml_path)  
        test_num += 1  
        filePath = os.path.join(xmlfilepath,name)  
        newfile = os.path.join(saveBasePath,os.path.join(directory,name))  
        shutil.copyfile(filePath, newfile)  
  
end = time.time()  
seconds = end - start  
print("train total : " + str(train_num))  
print("validation total : " + str(val_num))  
print("test total : " + str(test_num))  
total_num = train_num + val_num + test_num  
print("total number : " + str(total_num))  
print( "Time taken : {0} seconds".format(seconds))

xml文件转换为csv文件

新建csvdata/目录存放生成的csv文件，代码如下：

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()   
        print(root.find('filename').text)  
        for member in root.findall('object'):  
            value = (root.find('filename').text,  
                     int(root.find('size')[0].text),   #width  
                     int(root.find('size')[1].text),   #height  
                     member[0].text,  
                     int(member[4][0].text),  
                     int(float(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 directory in ['train', 'test', 'validation']:  
        xml_path = os.path.join(os.getcwd(), 'Annotations/{}'.format(directory))  
        xml_df = xml_to_csv(xml_path)  
        xml_df.to_csv('csvdata/tf_{}.csv'.format(directory), index=None)  
        print('Successfully converted xml to csv.')  
   
main()

在csvdata/文件夹下生成训练、验证和测试的csv格式文件：
Tensorflow目标检测接口配合tflite量化模型

csv格式数据生成tf record格式数据

建generate_tfrecord.py脚本，并新建tfdata/文件夹，代码如下：

from __future__ import division
from __future__ import print_function
from __future__ import absolute_import
 
import os
import io
import pandas as pd
import tensorflow as tf
 
from PIL import Image
from object_detection.utils import dataset_util
from object_detection.utils import label_map_util
from collections import namedtuple
 
flags = tf.app.flags
flags.DEFINE_string('csv_input', '', 'Path to the CSV input')
flags.DEFINE_string('images_input', '', 'Path to the images input')
flags.DEFINE_string('output_path', '', 'Path to output TFRecord')
flags.DEFINE_string('label_map_path', '', 'Path to label map proto')
FLAGS = flags.FLAGS
 
 
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, label_map_dict, images_path):
    with tf.gfile.GFile(os.path.join(
        images_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(label_map_dict[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)
    label_map_dict = label_map_util.get_label_map_dict(FLAGS.label_map_path)
    images_path = FLAGS.images_input
    examples = pd.read_csv(FLAGS.csv_input)
    grouped = split(examples, 'filename')
    for group in grouped:
        tf_example = create_tf_example(group, label_map_dict, images_path)
        writer.write(tf_example.SerializeToString())
 
    writer.close()
    output_path = FLAGS.output_path
    print('Successfully created the TFRecords: {}'.format(output_path))
 
 
if __name__ == '__main__':
    tf.app.run()

用法：

python generate_tfrecord.py \
--csv_input=./csvdata/tf_train.csv \
--images_input=images \
--output_path=./tfdata/train.record \
--label_map_path=./label_map.pbtxt

类似的依次生成训练、验证和测试数据集：
Tensorflow目标检测接口配合tflite量化模型

类别文件

创建label_map.pbtxt文件，根据自己训练的类别进行修改，有几个类别就做几个itme！

item {
  name: "face"
  id: 1
  display_name: "face"
}
item {
  name: "telephone"
  id: 2
  display_name: "telephone"
}
item {
  name: "cigarette"
  id: 3
  display_name: "cigarette"
}

配置pipeline.config

到models/research/object_detection/samples/configs/文件夹下将ssd_mobilenet_v2_coco.config拷贝到训练文件夹下，修改内容主要是：
①总类别数　
②tfrecord文件的路径，包括训练集、验证集等路径
③label_map的路径
④预训练模型路径，如果没有则注释掉。也可以设置网络的各种学习参数，如：batch_size，学习率和退化率，训练的总步数等。

num_classes:3
fine_tune_checkpoint:“ssd_mobilenet_v1_coco_11_06_2017/model.ckpt” # 预训练模型位置
num_steps:30000 # 训练步数设置，根据自己数据量来设置，默认为200000
train_input_reader/input_path:“train.record” # 注意修改成自己的路径位置
train_input_reader/label_map_path:“label_map.pbtxt” # 类别文件位置，注意修改成自己的路径位置
num_examples:78 # test数据集的数量
num_visualizations:78
#max_evals:10　＃注释这个变量，避免一些错误，个人习惯，之前因为这个遇到过错误
eval_input_reader/inputpath:“test.record” # 注意修改成自己的位置
eval_input_reader/label_map_path: “label_map.pbtxt” # 注意修改成自己的路径位置

训练模型与导出模型

首先在legacy文件夹中复制一份train.py到object_detection文件夹下，然后运行以下指令(ckpt模型训练后的输出位置)

python train.py --logtostderr --train_dir=training/ --pipeline_config_path=ssd_mobilenet_v2_coco.config

训练结果

生成一堆models.ckpt-xxx的文件，不同数字代表不同训练步数下保存的模型文件
Tensorflow目标检测接口配合tflite量化模型

转pb文件

使用export_inference_graph.py（在object detection目录下）导出pb文件：

python export_inference_graph.py \
--input_type image_tensor \
--pipeline_config_path=ssd_mobilenet_v2_coco.config \   
--trained_checkpoint_prefix=training//model.ckpt-30000 \   
--output_directory models_trained/

测试pb模型：

import tensorflow as tf
import cv2
import os
import time
import numpy as np
from object_detection.utils import label_map_util
from object_detection.utils import visualization_utils as vis_util
 
videofile='/home/zyl/Documents/caffe/examples/MobileNet-SSD/videos/20180813140109903.avi'
cap=cv2.VideoCapture(videofile)
MODEL_NUM_CLASSES=3
MODEL_LABEL_MAP ='/home/zyl/data/dms_tf/label_map.pbtxt'
MODEL_PB='/home/zyl/data/dms_tf/model2/export_result/frozen_inference_graph.pb'
 
# read graph model
with tf.gfile.GFile(MODEL_PB,'rb') as fd:
    _graph=tf.GraphDef()
    _graph.ParseFromString(fd.read())
    tf.import_graph_def(_graph,name='')
    
# get the default graph model
detection_graph=tf.get_default_graph()
 
# read labelmap
label_map=label_map_util.load_labelmap(MODEL_LABEL_MAP)
categories=label_map_util.convert_label_map_to_categories(label_map,MODEL_NUM_CLASSES)
category_index=label_map_util.create_category_index(categories)
 
with tf.Session(graph=detection_graph) as sess:
    while(cap.isOpened()):
        ret,frame=cap.read()
        frame_np_expanded=np.expand_dims(frame,axis=0)
        image_tensor = detection_graph.get_tensor_by_name('image_tensor:0')
        boxes = detection_graph.get_tensor_by_name('detection_boxes:0')
        scores = detection_graph.get_tensor_by_name('detection_scores:0')
        classes = detection_graph.get_tensor_by_name('detection_classes:0')
        num_detections = detection_graph.get_tensor_by_name('num_detections:0')
        t1=time.time()
        (boxes,scores,classes,num_detections)=sess.run([boxes,scores,classes,num_detections], \
        feed_dict={image_tensor:frame_np_expanded})
 
        vis_util.visualize_boxes_and_labels_on_image_array(frame,np.squeeze(boxes),
        np.squeeze(classes).astype(np.int32),np.squeeze(scores),category_index,
        use_normalized_coordinates=True,line_thickness=6)
        t2=time.time()
        print('FPS:',1/(t2-t1))
        cv2.imshow('MobilenetTF',frame)
        if cv2.waitKey(1)&0xff ==27:
            break
    cap.release()

转tflite文件

因为要使用toco，这里我们需要从源码中编译tensorflow库，新建Python环境，并**环境，基操不再累赘

安装bazel

首先安装依赖包：

sudo apt-get install pkg-config zip g++ zlib1g-dev unzip

然后下载bazel二进制文件：下载地址这里以bazel-0.15.0-installer-linux-x86_64.sh为例说明
修改权限并安装：

chmod +x bazel-0.15.0-installer-linux-x86_64.sh
./bazel-0.15.0-installer-linux-x86_64.sh --user

–user 选项会将bazel安装在$HOME/bin目录下, 显示如下，表示安装成功
Tensorflow目标检测接口配合tflite量化模型
设置环境变量

vim ~/.bashrc

在末尾添加

export PATH="$PATH:$HOME/bin"

下载TensorFlow源码并配置构建

mkdir C:\tensorflow-build
cd C:\tensorflow-build
git clone https://github.com/tensorflow/tensorflow.git 
cd tensorflow 
git checkout r1.13   # 签出TensorFlow v1.13的分支

接下来，我们将使用configure.py脚本配置TensorFlow构建

python ./configure.py

接下来，配置系统会给出各种询问，以确认编译时的配置参数，下面挑选比较重要的几个参数解释如下（有默认值的直接回车，Y/n的直接选择n，我是这样做的）：

aaa@qq.com:~/tensorflow$ ./configure 
You have bazel 0.9.0 installed.
Please specify the location of python. [Default is /home/yhilly/anaconda3/envs/tensorflow/bin/python]:

上面的提示是Bazel让我们选择Python的安装路径，只要确保是Anaconda的Python路径即可，直接按一系列的回车键（Enter）表示使用默认值

Do you wish to build TensorFlow with jemalloc as malloc support? [Y/n]: 
jemalloc as malloc support will be enabled for TensorFlow.

上面的选项表示是否使用jemalloc代替传统的malloc来管理内存？Jemalloc是杰森·埃文斯（Jason Evans）于2006年开发的用以取代传统低性能的malloc内存管理模块而开发的一款内存管理模块[4]。埃文斯并非等闲之辈，他是FreeBSD项目（一种类UNIX操作系统）的重要维护者之一
Jemalloc先被Firefox浏览器采用，后来又被Facebook在其自己的各类应用上广泛使用，一战成名。好技术当然要用！直接按回车，确认默认值Y（默认值通常就是被大写的选项）

Do you wish to build TensorFlow with Google Cloud Platform support? [Y/n]: n
No Google Cloud Platform support will be enabled for TensorFlow.

这个选项是询问是否采用Google云平台来支持TensorFlow。这个云平台国内通常无法访问，建议输入“n”。有条件的读者，可直接按回车确认使用

Do you wish to build TensorFlow with Hadoop File System support? [Y/n]: n
No Hadoop File System support will be enabled for TensorFlow.

这个选项是询问是否使用Hadoop 文件系统（HDFS）来支持TensorFlow。如果搭建了Hadoop集群，有读取HDFS数据需求的用户，可以回车确认。如果没有需求，手动输入“n”

Do you wish to build TensorFlow with XLA JIT support? [y/N]: n
No XLA JIT support will be enabled for TensorFlow.

这个选项是询问是否开启XLA JIT编译支持。XLA（Accelerated Linear Algebra/加速线性代数）目前还是TensorFlow的实验项目，XLA 使用 JIT（Just in Time，即时编译）技术来分析用户在运行时（runtime）创建的 TensorFlow 图，专门用于实际运行时的维度和类型。作为新技术，这项编译技术还不成熟，爱折腾的可以选y

Do you wish to build TensorFlow with CUDA support? [y/N]: 
No CUDA support will be enabled for TensorFlow.

这个选项是询问是否使用CUDA。CUDA是一种由NVIDIA推出的通用并行计算架构，该架构使GPU能够解决复杂的计算问题。如果用户配备有NVIDIA的GPU，可以选择“y”，如果仅使用TensorFlow的CPU版本，回车确认“N” （这里只是为了使用toco转换模型，为了节省时间，选择N）

编译源文件

在配置完毕Bazel的编译选项之后，接下来就可以使用如下指令编译TensorFlow的源代码：

bazel build --config=opt //tensorflow/tools/pip_package:build_pip_package

如果想获得GPU支持，则需要加入编译选项“–config=cuda”

bazel build --config=opt --config=cuda --define=no_tensorflow_py_deps=true //tensorflow/tools/pip_package:build_pip_package

现在已经创建了包构建器，让我们使用它来构建实际的TensorFlow wheel文件

bazel-bin/tensorflow/tools/pip_package/build_pip_package  ~/tensorflow_pkg

下面我们要做的工作就是，利用pip来安装我们亲手编译的TensorFlow二进制文件：

pip  install  ~/tensorflow_pkg/<Paste full .whl filename here>.whl

让我们通过打开Python shell来确保正确安装：

python

打开Python后，发出以下命令：

>>> import tensorflow as tf
>>> tf.__version__

如果一切都已正确安装，它将以已安装的TensorFlow版本响应

生成TF Lite模型

前面frozen的pb模型直接转换会报错，需使用export_tflite_ssd_graph.py进行优化后再转换。将object_detection/export_tflite_ssd_graph.py拷贝到训练目录，运行：

python export_tflite_ssd_graph.py \
    --pipeline_config_path=ssd_mobilenet_v2_coco.config \
    --trained_checkpoint_prefix=models_trained/model.ckpt-30000\
    --output_directory=models

生成冻结后的模型，再转换为对应的TF Lite模型，包括float类型的（模型更大，更准确）和量化后uint8类型的模型（模型更小，但准确率不高）
float32型：

bazel-bin/tensorflow/lite/toco/toco \
--input_file=/home/zyl/Documents/tfmodels/dms/models/tflite_graph.pb \
--input_format=TENSORFLOW_GRAPHDEF  \
--output_format=TFLITE  \
--output_file=/home/zyl/Documents/tfmodels/dms/models/litefloat_zyl.tflite \
--inference_type=FLOAT \
--input_arrays=normalized_input_image_tensor \
--output_arrays='TFLite_Detection_PostProcess','TFLite_Detection_PostProcess:1','TFLite_Detection_PostProcess:2','TFLite_Detection_PostProcess:3' \
--input_shapes=1,300,300,3 \
--mean_values=128 \
--std_dev_values=128 \
--default_ranges_min=0 \
--allow_custom_ops

uint8量化：

bazel-bin/tensorflow/lite/toco/toco \
--graph_def_file=/home/zyl/data/dms_tf/model1/tflite_graph.pb  \
--output_file=/home/zyl/data/dms_tf/model1/tflite_model/model1.tflite \
--input_shapes=1,300,300,3 \
--input_arrays=normalized_input_image_tensor \
--output_arrays='TFLite_Detection_PostProcess','TFLite_Detection_PostProcess:1','TFLite_Detection_PostProcess:2','TFLite_Detection_PostProcess:3' \
--inference_type=QUANTIZED_UINT8 \
--mean_values=128 \
--std_dev_values=128 \
--default_ranges_min=0 \
--default_ranges_max=6 \
--change_concat_input_ranges=False \
--allow_custom_ops

调用TensorFlow Lite模型

wget https://raw.githubusercontent.com/EdjeElectronics/TensorFlow-Lite-Object-Detection-on-Android-and-Raspberry-Pi/master/TFLite_detection_image.py --no-check-certificate
wget https://raw.githubusercontent.com/EdjeElectronics/TensorFlow-Lite-Object-Detection-on-Android-and-Raspberry-Pi/master/TFLite_detection_video.py --no-check-certificate
wget https://raw.githubusercontent.com/EdjeElectronics/TensorFlow-Lite-Object-Detection-on-Android-and-Raspberry-Pi/master/TFLite_detection_webcam.py --no-check-certificate

使用这三个脚本可以实现不同场景的调用
有关在运行脚本的使用的-h选项的更多信息，请在调用脚本时使用该选项。例：