Edited at

Tensorflow ObjectDetection APIでミレミアム・ファルコン検出

More than 1 year has passed since last update.

Tensorflow ObjectDetection APIを使ってミレミアム・ファルコンのオリジナル物体検出モデルを作成します。

すでにこのモデル作成方法はこちらで公開されていますが、TensorflowのVersionが古いため、現在の環境での実装方法についてまとめます。


環境


  • OS Ubuntu16.04

  • CPU Intel Corei7-6700HQ 2.60GHzx8

  • GPU Geforce GTX 1060/PCle/SSE2


学習の準備

学習環境をセットアップしていきます。

Tensorflowはインストール済みとします。バージョンは1.9です。


Tensorflow Object Detection APIをインストール

まず、Tensorflow Object Detection APIをインストールします。

インストールは公式の方法に従い行えば問題なくできると思います。


Custom Object Detectionをインストール

この記事はTracking the Millennium Falcon with TensorFlowをもとに作成しています。

ImageデータやAnnotationデータなどをGit-Hub上に公開してくれているため、利用させてもらいます。

# From Home Directory

git clone https://github.com/bourdakos1/Custom-Object-Detection


Original Object Detectionを作成

Custom Object Detectionをベースにオリジナルのディレクトリ内に環境を構築していきます。

modelsとCustom Object Detectionはhomeディレクトリにあるとします。

まず、Object Detection APIの環境を構築します。

# From Home Directory

mkdir Original-Object-Detection
cd models/research
cp -r object_detection slim ~/Original-Object-Detection
cd ~/Original-Object-Detection


CocoAPI Installationをインストール

CocoAPIをインストールします。

# From Original-Object-Detection

git clone https://github.com/cocodataset/cocoapi.git
cd cocoapi/PythonAPI
make
cp -r pycocotools ~/Original-Object-Detection/


Protobufをコンパイル

Protobufのコンパイルを行います。

# From Original-Object-Detection

wget -O protobuf.zip https://github.com/google/protobuf/releases/download/v3.0.0/protoc-3.0.0-linux-x86_64.zip
unzip protobuf.zip
./bin/protoc object_detection/protos/*.proto --python_out=.


PYTHONPATHを追加

PYTHONPATHを追加します。

Object Detection APIを使用する際には毎回宣言するかbasrhcに追加する必要があります。

# From Original-Object-Detection

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


Testing the Installation

Original-Object-DetectionにおいてObject Detection APIが正常に動作するか確認します。

以下のコマンドでOKがでれば成功です。

# From Original-Object-Detection

python object_detection/builders/model_builder_test.py


データセット

Custom-Object-Detection内にあるImageデータとアノテーションデータをOriginal-Object-Detectionのディレクトリ内にコピーします。

# From Home Directory

cd Custom-Object-Detection
cp -r images annotations ~/Original-Object-Detection


TFRecordの作成

データセットをTensorflowが読み込むためにTFRecordに変換する必要があります。

変換スプリクトもCustom-Object-Detectionにて準備されてるものがあるので利用させていただきましょう。

# From Home Directory

cd Custom-Object-Detection/object_detection
cp -r create_tf_record.py ~/Original-Object-Detection/object_detection
cd ~/Original-Object-Detection/object_detection
python create_tf_record.py


Labelの確認

今回検出する物体のクラスを宣言しているファイルを確認してみましょう。

Millennium FalconとTie Fighterを検出対象としていることがわかります。


Original-Object-Detection/annotations/label_map.pbtxt

item {

id: 1
name: 'Millennium Falcon'
}

item {
id: 2
name: 'Tie Fighter'
}



Configファイルの作成

作成したいBase Modelをmodel zooからダウンロードしてきます。

今回はssd-mobilenet-v1を使用しました。

解凍したモデルからすべてのmodel.ckptファイルとpipeline.configを自分のディレクトリに持ってきます。

# From Download Directory

tar -xvf ssd_mobilenet_v1_coco_2018_01_28
cp -r model.ckpt* pipeline.confg ~/Original-Object-Detection/

次に、pipeline.config内のimageデータ、annotatioデータ、labelに対するPATHを書き換えます。

書き換えるのは"PATH_TO_BE_CONFIGURED"の部分です。



pipeline.config

config
model {
ssd {
num_classes: 2
image_resizer {
fixed_shape_resizer {
height: 300
width: 300
}
}
feature_extractor {
type: "ssd_mobilenet_v1"
depth_multiplier: 1.0
min_depth: 16
conv_hyperparams {
regularizer {
l2_regularizer {
weight: 3.99999989895e-05
}
}
initializer {
truncated_normal_initializer {
mean: 0.0
stddev: 0.0299999993294
}
}
activation: RELU_6
batch_norm {
decay: 0.999700009823
center: true
scale: true
epsilon: 0.0010000000475
train: true
}
}
}
box_coder {
faster_rcnn_box_coder {
y_scale: 10.0
x_scale: 10.0
height_scale: 5.0
width_scale: 5.0
}
}
matcher {
argmax_matcher {
matched_threshold: 0.5
unmatched_threshold: 0.5
ignore_thresholds: false
negatives_lower_than_unmatched: true
force_match_for_each_row: true
}
}
similarity_calculator {
iou_similarity {
}
}
box_predictor {
convolutional_box_predictor {
conv_hyperparams {
regularizer {
l2_regularizer {
weight: 3.99999989895e-05
}
}
initializer {
truncated_normal_initializer {
mean: 0.0
stddev: 0.0299999993294
}
}
activation: RELU_6
batch_norm {
decay: 0.999700009823
center: true
scale: true
epsilon: 0.0010000000475
train: true
}
}
min_depth: 0
max_depth: 0
num_layers_before_predictor: 0
use_dropout: false
dropout_keep_probability: 0.800000011921
kernel_size: 1
box_code_size: 4
apply_sigmoid_to_scores: false
}
}
anchor_generator {
ssd_anchor_generator {
num_layers: 6
min_scale: 0.20000000298
max_scale: 0.949999988079
aspect_ratios: 1.0
aspect_ratios: 2.0
aspect_ratios: 0.5
aspect_ratios: 3.0
aspect_ratios: 0.333299994469
}
}
post_processing {
batch_non_max_suppression {
score_threshold: 0.300000011921
iou_threshold: 0.600000023842
max_detections_per_class: 100
max_total_detections: 100
}
score_converter: SIGMOID
}
normalize_loss_by_num_matches: true
loss {
localization_loss {
weighted_smooth_l1 {
}
}
classification_loss {
weighted_sigmoid {
}
}
hard_example_miner {
num_hard_examples: 3000
iou_threshold: 0.990000009537
loss_type: CLASSIFICATION
max_negatives_per_positive: 3
min_negatives_per_image: 0
}
classification_weight: 1.0
localization_weight: 1.0
}
}
}
train_config {
batch_size: 24
data_augmentation_options {
random_horizontal_flip {
}
}
data_augmentation_options {
ssd_random_crop {
}
}
optimizer {
rms_prop_optimizer {
learning_rate {
exponential_decay_learning_rate {
initial_learning_rate: 0.00400000018999
decay_steps: 800720
decay_factor: 0.949999988079
}
}
momentum_optimizer_value: 0.899999976158
decay: 0.899999976158
epsilon: 1.0
}
}
fine_tune_checkpoint: "model.ckpt"
# Change
# fine_tune_checkpoint: "PATH_TO_BE_CONFIGURED/model.ckpt"
from_detection_checkpoint: true
num_steps: 200000
}
train_input_reader {
# Change
# label_map_path: "PATH_TO_BE_CONFIGURED/mscoco_label_map.pbtxt"
label_map_path: "annotations/label_map.pbtxt"
tf_record_input_reader {
# Change
# input_path: "PATH_TO_BE_CONFIGURED/mscoco_train.record"
input_path: "train.record"
}
}
eval_config {
num_examples: 8000
max_evals: 10
use_moving_averages: false
}
eval_input_reader {
# Change
# label_map_path: "PATH_TO_BE_CONFIGURED/mscoco_label_map.pbtxt"
label_map_path: "annotations/label_map.pbtxt"
shuffle: false
num_readers: 1
tf_record_input_reader {
# Change
# input_path: "PATH_TO_BE_CONFIGURED/mscoco_val.record"
input_path: "val.record"
}
}
</code>
</pre>
</details>


学習

さて準備がすべてできたので学習を行いましょう。

データ量によってstep数は変更必要があります。Custom-Object-Detectionでは4.5kstepで安定しているようです。

学習モデルはmodel内に保存されていきます。

python object_detection/model_main.py \

--logtostderr \
--model_dir=model \
--pipeline_config_path=pipeline.config


Tensorboard

学習状態をTensorboardで確認することができます。

# From Original Object Detejection

tensorboard --logdir path to Origina-Object-Detection


Inference graphに学習モデルを登録

学習したモデルを使用するためには、モデルをfrozen inference graphに変換する必要があります。

使用したいモデルをmodelディレクトリから一つ上の階層に移動した後以下のコマンドでcheckpointを変換し、

frozen inference graphとしてoutput_inference_graph内に保存します。

利用するモデルが916stepの場合は以下の通りになります。番号は適宜変更してください。

# From Original-Object-Detection/model

cp -r model.ckpt-916* ../
cd ../
python object_detection/export_inference_graph.py \
--input_type image_tensor \
--pipeline_config_path pipeline.config \
--trained_checkpoint_prefix model.ckpt-916 \
--output_directory output_inference_graph


Test Model

学習したモデルで物体検出を行いましょう。

Custom-Object-Detection内にあるtest_imagesとobject_detection_runner.pyを使います。

# From Custom-Object-Detection

cp -r test_images ~/Original-Object-Detection
cd object_detection
cp -r object_detection_runner.py ~/Original-Object-Detection/object_detection.py

物体検出結果はoutputディレクトリ内に保存するようにPATHが宣言されているため、outputディレクトリを作成します。

# From Original-Object-Detection

mkdir output

以下のコマンドを実行するとoutput内に検出結果の画像が保存されます。

# From Original-Object-Detection

python object_detection/object_detection_runner.py


Result

image-1.jpg


まとめ

Tensorflow Object Detection APIのおかげで、だれでも簡単にオリジナルの画像で物体検出モデルを生成することができるようになっています。

ぜひ、いろいろなデータセットやネットワークを試して遊んで見てください。

オリジナルのデータセットを作る際にはlaelImgを使うのがおすすめです。

さいごまで読んでいただきありがとうございました。


参照

Custom-Object-Detection

Tensorflow Object Detection APIで寿司検出モデルを学習するまで