第一次目标检测及遇到的问题

一，环境

本文作者环境：python3.6.8、Windows10、tensorflow1.9.0、Anaconda

遇到的问题：
①安装tensorflow时，不知具体步骤
②运行代码时，发现tensorflow版本与代码不符合
解决过程：
①作者通过查询及实验，总结出较为便捷的安装方式：先安装Anaconda，然后通过Anaconda安装tensorflow
作者已将Anaconda上传百度网盘，有兴趣的可以自行下载：链接：https://pan.baidu.com/s/1WPjGi63SvY535uMUHZuhTA
提取码：al3d （由于文件较大，也可以在网上自行下载）
②在Anaconda中修改已安装的Anaconda版本（一般为当前最新版本）

1.1修改tensorflow版本

如图点击红色箭头标记处

再点击如图点击红色箭头标记处

选择Not installed，在右侧搜索框中输入tensorflow，勾选后，进行下载。

1.2更改tensorflow版本

点击上一步红色箭头标记处，点击进入installed，搜索tensorflow并点击，然后点击下图所示红色箭头处，选择tensorflow版本

二，具体过程

1.下载图片

本文作者第一次进行目标检测，选定目标为人（hunman）和鱼（fish）的识别，因为是新手，所以选定目标较为简单。从网上下载了图片之后，进行下一步。

2.选择图片

在数据集中，选择的图片应该清晰，有极少数图片像素点少，不清晰的，需要剔除。因为像素点少的图片不利于模型训练或模型测试，所以用python代码选出部分图片文件。

遇到的问题：代码报错，没有找到相应文件夹 。报错代码：get_some_qualified_images(‘n01440764’, 100, ‘selected_images’)
解决方法：get_some_qualified_images(‘n01440764’, 100, ‘selected_images’)这句代码中第一个元素为获取原图片文件夹名称，第二个元素为筛选图片的数量，第三个元素为筛选后图片存放文件夹名称

3.缩小图片

在jupyter notebook中新建代码文件，运行后图片经过PIL库打开再保存，保持图片质量的情况下，能够缩小图片文件大小3倍左右。

4.给图片打标签

使用打标签工具LabelImg。链接：https://pan.baidu.com/s/1-XemcsCgydZ0ixh1u0dslA 提取码：fy8k
把压缩文件放到目标文件中，选择解压到当前文件夹。
LabelImg程序在文件夹中。选择labelImg.py以python运行（pycharm等IDE中运行也可以）。
在打开的软件界面，点击Open Dir按钮，选中缩小图片文件夹，进行打标签
遇到的问题：不会使用代码打标签
解决方法：“W”为打标签快捷方式

5.xml转csv

xml转csv的意思是，将xml文件中的信息整合到csv文件中。本文作者将函数train_test_split的参数random_state的值设为1，这样每次划分的训练集和测试集总是相同。如果不设置此参数，则每次划分的训练集和测试集不同。
在目标文件夹中启动cmd，输入jupyter notebook，新建代码文件xml_to_csv.ipynb，输入相应代码并运行。

6.csv转tfrecord

csv转tfrecord的意思是，将csv文件中的信息和图片数据整合到tfrecord文件中。

6.1 配置环境

下载文件object_detection.zip
链接：https://pan.baidu.com/s/1JSpLmf7j-6ZG_wNBiBTaaw 提取码：tpna 。将其移动到目标文件夹，选择提取到"object_detection"
如下图所示

遇到的问题：在运行代码时没有找到相应文件，如object_detection
解决方法：在目标文件夹中打开cmd，即在路径中输入cmd后按Enter键运行。在cmd中输入以下代码并运行

python object_detection/model_main.py --pipeline_config_path=training/ssdlite_mobilenet_v2_coco.config --model_dir=training --alsologtostderr

运行结果会报错。
进入windows的环境变量编辑界面，新建一个系统变量，变量名为：PYTHONPATH；变量值为：目标文件路径。如下图

图中两处红色方框内容一致即可

6.2 编辑和运行代码

在桌面的目标检测文件夹中新建代码文件csv_to_tfrecord.ipynb，上面一段代码运行完成后，目标文件夹中会产生一个文件夹training，其中有两个文件，如下图

7.编写pbtxt文件

在目标文件夹中的training文件夹中，创建文本文件my_label.pbtxt。
复制下面一段内容到文本文件my_label.pbtxt中。

item {name : "fish"id : 1
}
item {name : "human"id : 2
}

每一个item为一个标签，name为标签内容，id为标签序列。
保存后，training文件夹中有三个文件。

8.编写配置文件

方法：修改原生配置文件
可以在object_detection文件夹中的samples/config路径下，找到原生配置文件ssdlite_mobilenet_v2_coco.config，如下图红色箭头标记处所示。

原生配置文件ssdlite_mobilenet_v2_coco.config先复制1份到桌面文件目标检测的文件夹training中。
原生配置文件中的需要修改的部分：

1. 第9行的num_classes，对于本文来说，此数设置为2。
2. 第143行的batch_size，对于本文来说，此数设置为5，读者根据自己的电脑配置，可以调高或者调低。
3. 第177行input_path设置成"training/train.tfrecord"。
4. 第179行label_map_path设置成"training/my_label.pbtxt"。
5. 第191行input_path设置成"training/test.tfrecord"。
6. 第193行label_map_path设置成"training/my_label.pbtxt"。
7. 第158、159这2行需要删除。

修改配置文件ssdlite_mobilenet_v2_coco.config并保存后，此时文件夹training中有4个文件。

遇到的问题：在按步骤完成后，cmd中运行时报错。
解决方法：次错误在于没有删除159、159这两行代码，导致冲突。同时希望读者在寻找目标文件时看清名称，避免出错。

三、其他问题

3.1.成功添加环境变量后，需要在目标文件夹中重新打开cmd。在cmd中运行命令：python object_detection/model_main.py --pipeline_config_path=training/ssdlite_mobilenet_v2_coco.config --model_dir=training --alsologtostderr，运行结果如下图：

解决方法（适用于windows）：首先下载Microsoft C++ build 14.0
链接：https://pan.baidu.com/s/1INlWLq28MgFWvCiuy_b0zg 提取码：r759
读者也可自行下载（文件较小，大概只有3、4M）
打开安装文件visualcppbuildtools.exe，初始化安装程序，安装类型选择自定义，然后点击下一步，如下图红色箭头标记处所示
选择功能只勾选Windows 10 SDK 10.0.10240，然后点击下一步。点击安装按钮，则开始安装。完成安装后，关闭即可。

3.2下载并安装pycocotools

链接：https://pan.baidu.com/s/1Fdqj0NHKIYLd-qpPJzInew 提取码：m1lg
或者打开git页面，链接:https://github.com/philferriere/cocoapi
下载按钮的位置如下图所示，点击Download ZIP即可开始下载。如下图

对压缩文件cocoapi-master.zip选择解压到当前文件夹。进入文件夹cocoapi-master中的文件夹PythonAPI，在此文件夹下打开cmd，在cmd中运行命令：python setup.py build_ext install

3.3查看训练情况（显卡版本）

遇到的问题：本文作者推荐如果要进行目标检测， 最少也需要配备版本为GTX 1060_显存6G的显卡，否则会出现显存不足。模型成功调用显卡后会开始训练，但是训练经过一段时间后会报错。

解决方法：修改工程文件夹object_detection中的代码文件model_lib.py
如下图所示，找到第418行，将category_index.values()修改为list(category_index.values())
修改代码文件model_lib.py完成后，则可以在cmd中重新输入命令开启模型训练。

四、说明

作者第一次目标检测是基于《目标检测实践_tensorflow版SSD数据准备》，链接：https://www.jianshu.com/p/3d9436b4cb66 以及《目标检测实践_tensorflow版SSD训练自己的数据》
链接：https://www.jianshu.com/p/0e5f9df4686a 完成，中间自己遇到很多的问题解，都已解决，希望对大家有所帮助。第一次写博客，不足之处望谅解，谢谢。