Tensorflow modelleri ve onların kullanımı için gerekli talimatlarım
- Temel Bilgiler
- Tensorflow Kurulumu
- Tensorflow Algılama Modellerinin Kurulumu
- LabelImg Kurulumu
- Dizin Yapısını Oluşturma
- Özelleştirilmiş Tensorflow Obje Algılayıcısı Eğitme
- Resim Etiketleme İşlemi
- Etiket Haritası Oluşturma
- Tensorflow Kayıtları Oluşturma
- Bağlantıları (pipeline) Yapılandırma
- Modeli Eğitme
- Hata Notları ve Açıklamaları
- 'conda' is not recognized as an internal or external command
- '...' is not recognized as an internal or external command
- 'ImportError: No module named' Hataları
- 'dict_keys' object does not support indexing
- Object was never used (type <class 'tensorflow.python.framework.ops.Tensor'>)
- 'unicodeescape' codec can't decode bytes in position
- Allocation of X exceeds 10% of system memory
- google.protobuf.text_format.ParseError, Expected string but found
- Value Error: No Variable to Save
- Colab Üzerinden Tensorflow Modelini Eğitme
- Web Kamerası Kullanarak Obje Tespit Etme
- Harici Bağlantılar
- Önemli Notlar
- Karma Notlar
- 💖 Destek ve İletişim
Bu notların PDF haline 📕 buradan erişebilirsin.
- Python dili üzerinde makine öğrenimi gibi işlemler için Google tarafından sunulan kütüphanedir.
- Yabancı Kaynaklar: 📺 📄
Linux daha iyidir 🐧
Kaynak için buraya bakabilrisin.
- Tensorflow anaconda üzerinden daha sağlıklı, taşınabilir ve verimli çalışabilmekte
- Anacondanın sanal ortamları, paketlerin çakışmasını engelleyecektir
- Anaconda'nın tensorflowdaki avantajı için buraya göz atabilirsin.
- Anaconda kurulumu için buraya tıklayarak onun için hazırladığım dökümana erişebilirsin.
- Bu kurulum CPU kurulumu olarak da geçmekte
- GPU kurulumu CPU'ya nazaran oldukça hızlı eğitim seçeneği sağlar
- GPU kurulumu için gereksinimleri sağlıyorsanız GPU kurulumu (tensorflow-gpu) yapmanız tavsiye edilir
conda create -n tensorflow tensorflow # CPU kurulumu
conda create -n tensorflow tensorflow-gpu # GPU kurulumu
Alttaki komnut ile 'Hello, TensorFlow!' çıktısın almanız gerekmektedir.
python -c
>>> import tensorflow as tf
>>> hello = tf.constant('Hello, TensorFlow!')
>>> sess = tf.Session()
>>> print(sess.run(hello))
- Algılama modelleri tabloma erişmek için buraya tıklayabilirsin
- Resmi sitesi için buraya bakabilirsin
- Video üzerinden açıklama için buraya bakabilirsin
Resmi açıklamalar
models/research/object_detection/g3doc
dizinindedir.
Tensorflow modellerini kullanabilmek için alttaki kurulumlara da ihtiyaç olabilmekte:
conda install opencv pillow matplotlib pandas jupyter
Modül bulunamaması gibi durumlarda
lxml
,protobuf
paketlerini yüklemeyi deneyebilirsin.
GTK ve FFMPEG hatasını engellemek için pip ile kurulum yapın
pip install opencv-contrib-python
pip install pynput # detect_from_desktop
Alttaki talimatler ve komutlar yardımıyla tensorflow modellerini kurun:
- Modelleri indirmek için buraya tıklayabilirsin
- İstersen buraya tıklayarak github linkine erişebilirsin
- İndirdiğiniz dosyanın içindekileri
models
dizinine koymanız gerekmektedir.
Bu adından sonrası
models/research/
dizininde gerçekleştirilmelidir.
powershell.exe Expand-Archive models-master.zip .
ren models-master models
move models %TENSORFLOW%
cd %TENSORFLOW%\models\research\
+ models
+ offical
+ research
+ sample
...
Protobuf dosyaları (.proto
uzantılı olan dosyalar) python kodlanı oluşturmak için kullanılan dosyalardır. TensorFlow/models/research/
dizininde
Windows:
for /f %i in ('dir /b object_detection\protos\*.proto') do protoc object_detection\protos\%i --python_out=.
Linux:
protoc object_detection/protos/*.proto --python_out=.
Protobuflarların işlenmesiyle
.py
uzantılı dosyalar oluşacaktır
# TensorFlow/models/research/ dizininde
python setup.py build
python setup.py install
Eğer daha önceden tanımlı PYTHONPATH
ortam değişkeniniz yoksa ilk olan, varsa ikinci olan komutu kullanın.
Bu ortam değişkenlerinin terminalin her açılışında yazılması gerekmetedir.
set PYTHONPATH=%TENSORFLOW%\models\research;%TENSORFLOW%\models\research\slim;%TENSORFLOW%\models\research\object_detection
set PYTHONPATH=%PYTHONPATH%;%TENSORFLOW%\models\research;%TENSORFLOW%\models\research\slim;%TENSORFLOW%\models\research\object_detection
- Her
conda activate <ortam_ismi>
komutu yazıldığında ortamlar dahil edilir - Her
conda deactivate
yazıldığında ortamlar kaldırılır
cd <conda_ortamı_yolu>
mkdir .\etc\conda\activate.d
echo set PYTHONPATH=%TENSORFLOW%\models\research;%TENSORFLOW%\models\research\slim;%TENSORFLOW%\models\research\object_detection > .\etc\conda\activate.d\env_vars.bat
Resmi kaynak için buraya bakabilirsin.
cd <conda_ortamı_yolu>
mkdir -p ./etc/conda/activate.d
mkdir -p ./etc/conda/deactivate.d
echo export PYTHONPATH=${PYTHONPATH}:${TENSORFLOW}/models/research:${TENSORFLOW}/models/research/slim:${TENSORFLOW}/models/research/object_detection > etc/conda/activate.d/env_vars.sh
echo unset PYTHONPATH > etc/conda/deactivate.d/env_vars.sh
<conda_ortamı_yolu>
Conda ortamının kurulduğu yol- Örn: %USERPROFILE%\Anaconda3\envs\tensorflow-cpu
Jupyter notebook ile API'ları eval etmemzi gerekmekte.
cd object_detection
jupyter notebook
Jupyter notebook hakkında bilgi sahibi değilsen buraya tıklayarak ne yapman gerektiğini öğrenebilirsin.
- LabelImg tensorflow modelleri için etiketleme amaçlı kullanılmaktadır
- Derlenmiş sürümünü indirmek için buraya tıklayabilirsin
İndirilen dosyayı
%TENSORFLOW%\addons
dizinine atmanız daha verimli bir çalışma sağlayacaktır.
Tensorflow ortamının alt paketlerini etkilememsi için ek bir sanal ortamda kurulum sağlamalıyız.
conda create -n labelImg pyqt # QT grafik kütüphanesi
conda activate labelImg
conda install -c anaconda lxml
Paketlerin kurulumu için alttaki talimatları sırayla uygulayın:
- LabelImg dosyalarını indirmek için buraya tıklayın
- Diğer işlemler için indirdiğiniz dosya dizininde cmd açıp alttaki komutları yazın
# labelImg-master.zip dizininde
powershell.exe Expand-Archive labelImg-master.zip .
ren labelImg-master labelImg
mkdir %TENSORFLOW%\addons
move labelImg %TENSORFLOW%\addons
cd %TENSORFLOW%\addons\labelImg
pyrcc5 -o resources.py resources.qrc # QT grafiklerinin oluşturulması
'pyrcc5' is not recognized as an internal or external command hatası gelirse, yüklediğiniz
pyqt
sürümüne göre komutu kullanın (pyrcc<pyqt_sürümü_ilk_basamağı>
)
conda activate tensorflow-cpu
cd %TENSORFLOW%\addons\labelImg
python labelImg.py
# python labelImg.py [IMAGE_PATH] [PRE-DEFINED CLASS FILE]
Alttaki komut yardımıyla açık olan cmd ekranına ortam değişkeni tanımlayabilirsiniz.
set TENSORFLOW=<dizin_yolu>
<dizin_yolu>
Tensorflow'u kurmak istediğiniz dizin- Örn: "C:\Tensorflow"
- Bilgisayarıma sağ tıklayın
Ayarlar
kısmına girin - Sol alanda
Gelişmiş Sistem Ayarları
'na tıklayın - Açılan ekranda
Ortam Değişkenleri
butonuna tıklayın - Üst kısımdaki kullanıcı değişkenleri alanında
Yeni
butonuna tıklayın - Değişken ismine:
Tensorflow
Değerine: 'dizin yolunuzu' yazın
İlerideki yapı için bu dizinin yolu %TENSORFLOW%
olarak ifade edilecektir.
Proje yapısı tavsiye edilen dizin yapısına örnek olacak şekilde oluşturulmuştur.
Düzgün ve verimli çalışmak için buradaki yapıyı kullanmanız önerilir.
mkdir %TENSORFLOW%\workspace\example_detection
mkdir %TENSORFLOW%\workspace\example_detection\data
mkdir %TENSORFLOW%\workspace\example_detection\images\train
mkdir %TENSORFLOW%\workspace\example_detection\images\eval
mkdir %TENSORFLOW%\workspace\example_detection\models
+ addons
+ docs
+ models
+ scripts
+ workspace
+ example_detection
+ data
+ models
+ <model_ismi>
+ eval
+ train
- *.config
...
+ <model_ismi>
+ eval
+ train
- *.config
...
...
...
+ example2_detection
+ data
+ models
+ <model_ismi>
+ eval
+ train
- *.config
...
+ <model_ismi>
+ eval
+ train
- *.config
...
...
...
...
Dizin | Açıklama |
---|---|
addons | LabelImg vs. |
docs | Dökümanlar |
models | Tensorflow Models dosyası |
scripts | Kullanacağınız ortak kod parçaları |
workspace | Çalışma Alanı |
+ workspace
+ example_detection
+ data
+ models
...
+ example2_detection
+ data
+ models
...
...
Dizin | Açıklama |
---|---|
data | Eğitime katılacak verileri (eval.record, train.record, label_map) içeririr. |
model | Eğitilecek modellerin dosyalarını içerir. |
+ example_detection
+ data
- label_map.pbtxt
- eval.record
- train.record
+ models
...
...
Dosya | Açıklama |
---|---|
label_map.pbtxt |
Etiket haritası dosyası |
eval.record |
Test için kullanılacak tensorflow kayıtları (TF record) |
train.record |
Eğitim için kullanılacak tensorflow kayıtları (TF record) |
+ example_detection
+ data
+ models
+ <model_ismi>
+ eval
+ train
- *.config
...
+ <model_ismi>
+ eval
+ train
- *.config
...
...
...
...
Her bir model için ayrı dizinler oluşturulur.
İsim | Tipi | Açıklama |
---|---|---|
eval | Dizin | Test sonuçları burada tutulur. |
train | Dizin | Eğitim çıktıları burada tutulur |
.config |
Dosya | Yapılandırma dosyası |
Özelleştirilmiş model eğitmek için alttakilerin yapılmış olması gerekmektedir:
Etiketleme işlemini labelImg üzerinden yapmaktayız.
İndirdiğiniz dizindeki labelimg.exe
dosyasını çalıştırmanız yeterlidir.
İşlemleri Anconda Prompt ile işlemler yapmalıyız.
conda activate labelImg
cd %TENSORFLOW%\addons\labelImg
python labelImg.py ..\..\workspace\example_detection\images # çıktıları hedefleme
LabelImg kullanımı için bu videoya bakabilirsin.
XML ve resim dosyalarını başka bir yolda oluşturduyasan alttaki script yardımıyla düzeltebilirsin
- Script dosyasını buraya tıklayarak indirmeli ve gerekli dizine alttaki komutla koymalıyız
- Komutları Anaconda Prompt üzerinden tensorflow ortamını aktif ederek uygulamayı unutmayın.
# Train verilerini yeniden adlandırma ve düzeltme
python xml_path_regulator.py -i %TENSORFLOW%\workspace\example_detection\images\train -p train
# Test verilerini yeniden adlandırma ve düzeltme
python xml_path_regulator.py -i %TENSORFLOW%\workspace\example_detection\images\eval -p eval
- Alttaki komutla açılan dizinde
.pbtxt
uzantılı etiket haritası dosyasısı oluşturun - Örnek dosya yapısı komutların altındadır.
cd %TENSORFLOW%\workspace\example_detection\annotations
start .
item {
id: 1
name: 'cat'
}
item {
id: 2
name: 'dog'
}
cat
vedog
etiket isimleridir
- Resim verileri toplanır veya çekilir.
- Toplanan resimler
labelimg
yardımıyla etiketlenir ve.xml
uzantılı dosyaları oluşturulur. images
dizinine resimler ve onlara ait xml dosyaları %80'i train %20'i eval olacak şekilde klasörlere ayrılarak yerleştirilir.scripts/preprocessing
dizindekixml_path_regulator.py
scripti aracılığıyla xml ve resimlerde yol sorunları düzeltilir, veriler yeniden adlandırılır.scripts/preprocessing
dizindekixml_to_csv.py
scripti aracılığıyla veriler.csv
uzantılı tablosal bir dosyaya dönüştürülür.- Oluşturulan csv dosyasında resimlerin etiketlerine göre sayıları tablo olarak gösterilir. (Excel yardımıyla)
- Verilerde denge durumunun (her veriden yaklaşık olarak aynı sayıda varsa) kontrolü yapılır.
- Her çeşit veri için bir
id
belirtilecek şekildelabel_map.pbtxt
adlı etiket haritası oluşturulur - Oluşturulan csv, etiket haritası ve resim verileri
scripts/preprocessing
dizindekigenerate_tfrecord.py
scripti aracılığıyla veriler.record
uzantılı kayıtlara dönüştürülür. - Seçilen modele özgü yapılandırma dosyası indirilir.
- Yapılandırma dosyası olan
*.config
dosyasındakiPATH_TO_CONFIGURED
olarak işaretlenen alanlar,num_classes
,num_examples
vebatch_size
değerleri güncellenir.num_examples
eval dizindeki resim sayısıdır (toplam class sayısı değil)
Resimlerde hata olduğu zaman eğitim aşamasında tensorflow modeli çalışma hatası vermektedir. Resimleri kontrol etmek için buradaki scripti alttaki komutlarla kullanabilirsiniz.
python scripts\preprocessing\check_images.py -i workspace\example_detection\images\train
python scripts\preprocessing\check_images.py -i workspace\example_detection\images\eval
LabelImg ile etiketlediğiniz resimleri farklı bir dizine taşımanız durumunda XML dosyalarındaki yollar uyuşmayacaktır. XML dosya yollarını düzeltmek, etiketsiz resimleri görüntülemek için buradaki script dosyamı alttaki komutlar ile kullanabilirsiniz.
python scripts\preprocessing\xml_path_regulator.py -i %TENSORFLOW%\workspace\example_detection\images\train -p train
python scripts\preprocessing\xml_path_regulator.py -i %TENSORFLOW%\workspace\example_detection\images\eval -p eval
Etiketlenmemiş resimleri buradaki script dosyası ile alttaki komutlar ile kullanabilirsiniz.
Eğer XML scriptini kullandıysanız bu kontrolü yapmanıza gerek yoktur, XML scripti bunu zaten yapmaktadır.
python scripts\preprocessing\find_unlabeled_imgs.py -i %TENSORFLOW%\workspace\example_detection\images\train
python scripts\preprocessing\find_unlabeled_imgs.py -i %TENSORFLOW%\workspace\example_detection\images\eval
XML dosyalarını CSV dosyasında toparlamak için buradaki scripti alttaki komutlar ile kullanabilirsin.
Komutları Anaconda Prompt üzerinden tensorflow ortamını aktif ederek uygulamayı unutmayın.
# Create train data:
python scripts\preprocessing\xml_to_csv.py -i %TENSORFLOW%\workspace\example_detection\images\train -o %TENSORFLOW%\workspace\example_detection\images\train_labels.csv
# Create eval data:
python scripts\preprocessing\xml_to_csv.py -i %TENSORFLOW%\workspace\example_detection\images\eval -o %TENSORFLOW%\workspace\example_detection\images\test_labels.csv
Her bir etiketten kaç tane olduğunu anlamak için csv dosyalarını açıp alltaki yöntemi uygulayın.
class
hücresiinin bir altındaki hücreyi seçinctrl
+shift
+aşağı ok
ile tüm sınıf verilerini seçin- Sağ alttaki butona tıklayın
Tables
sekmesine gelin- Açılan sekmede
Pivot Table
butonuna tıklayın - Tablo'dan etiketlenen verileri kontrol edin
- Fazladan etiketlenmiş verilerin ismini bulup, filename, width vs. verilerin yazıldığı alanda
CTRL
+F
komutu ile aratıp, uygun dosya ismini vexml
dosyasını silin
CSV dosyalarını TF kayıtlarına çevirmek için buradaki scripti alttaki komutlar ile kullanabilirsin.
Komutları Anaconda Prompt üzerinden tensorflow ortamını aktif ederek uygulamayı unutmayın.
python generate_tfrecord.py --label_map=%TENSORFLOW%\workspace\example_detection\data\label_map.pbtxt --csv_input=%TENSORFLOW%\workspace\example_detection\images\train_labels.csv --img_path=%TENSORFLOW%\workspace\example_detection\images\train --output_path=%TENSORFLOW%\workspace\example_detection\data\train.record
python generate_tfrecord.py --label_map=%TENSORFLOW%\workspace\example_detection\data\label_map.pbtxt --csv_input=%TENSORFLOW%\workspace\example_detection\images\test_labels.csv --img_path=%TENSORFLOW%\workspace\example_detection\images\eval --output_path=%TENSORFLOW%\workspace\example_detection\data\eval.record
- Tensorflow'un resmi açıklaması için buraya tıklayabilirisin
- Tensorflow önceden eğitilmiş modelleri indirmek için buraya tıklayabilrisin
.tar.gz
uzantılı olacağı için winrar ya da 7zip gibi ek uygulamalarlaburaya çıkart
demen gerekmekteKlasör'e çıkart
değilburaya çıkart
diyeceksiniz.
Klasör içinde aynı isimde başka klasör olmasın
# Modelin çıkartıldığı dizinde
cd <model_ismi>
move * %TENSORFLOW%\workspace\example_detection\pre_trained_model
move saved_model %TENSORFLOW%\workspace\example_detection\pre_trained_model
cd %TENSORFLOW%\workspace\example_detection\pre_trained_model
<model_ismi>
Seçip, indirdiğiniz.tar.gz
uzantılı dosyanın adıTAB
tuşu ile dizindeki dosya adlarını tamamlayabilirsiniz*.tar.gz
uzantısı yazılmayacak- Örn: ssd_inception_v2_coco_2018_01_28
- Örn: ssd_mobilenet_v1_ppn_shared_box_predictor_300x300_coco14_sync_2018_07_03
Seçtiğiniz modelin *.config
dosyasını example_detection/training
klasörü altına kopyalamanız gerekmekte.
mkdir %TENSORFLOW%\workspace\example_detection\training
copy %TENSORFLOW%\models\research\object_detection\samples\configs\<model_ismi>.config %TENSORFLOW%\workspace\example_detection\training
<model_ismi>
Seçip, indirdiğiniz.tar.gz
uzantılı dosyanın adıTAB
tuşu ile dizindeki dosya adlarını tamamlayabilirsiniz*.tar.gz
uzantısı yazılmayacak- Tarih son ekini içermemeli
*_2018_07_03.tar.gz
ise*.tar.gz
olarak yazılmalı
- Örn: ssd_inception_v2
- Örn: ssd_mobilenet_v1_ppn_shared_box_predictor_300x300_coco14_sync
Yapılandırma örnek dosyası için buraya bakabilirsin.
Düzenlenecek Satır | Açıklama | Örnek |
---|---|---|
num_classes |
Etiket türü sayısı | 2 |
batch_size |
Toplu işleme boyutu | 24 |
num_steps |
Adım sayısı | 2000 |
fine_tune_checkpoint |
Eğitilmiş modelin yolu | "./pre_trained_model/model.ckpt" |
label_map_path |
Etiket haritası yolu | "./annotations/train.record" |
input_path |
Train dosyası yolu | "./annotations/train.record" |
input_path |
Test dosyası yolu | "./annotations/eval.record" |
Modeli eğitmek için train.py
script dosyasını kullanacağız.
Modeli önerilen dosya olan
model_main.py
ile eğitmek için buraya bakmalısın.
Çalışma ortamının düzgün ilerlemesi adına alttaki komut ile gerekli yere scripti kopyalayalım
copy %TENSORFLOW%\models\research\object_detection\legacy\train.py %TENSORFLOW%\workspace\example_detection
copy %TENSORFLOW%\models\research\object_detection\model_main.py
Eğitimde uyarı ve bilgileri gizlemek için TF_CPP_MIN_LOG_LEVEL
adlı ortam değişkeni oluşturup seviyesini tanımlıyoruz
set TF_CPP_MIN_LOG_LEVEL=2
# TODO Daha düzgün ve detaylı linkli bir yazı ekle
Eskimiş olan bir eğitim kodudur,
model_main.py
kod dosyası tensorflow tarafından önerilir.
python train.py --logtostderr --train_dir=training/ --pipeline_config_path=training\<yapılandırma_dosyası>
<yapılandırma_dosyası>
Modelimizin yapılandırma dosyasının tam adı- training klasörüne attığımız yapılandırma dosyaları
- Örn: ssd_inception_v2_coco.config
INFO:tensorflow:depth of additional conv before box predictor: 0
INFO:tensorflow:depth of additional conv before box predictor: 0
INFO:tensorflow:depth of additional conv before box predictor: 0
INFO:tensorflow:depth of additional conv before box predictor: 0
INFO:tensorflow:depth of additional conv before box predictor: 0
INFO:tensorflow:depth of additional conv before box predictor: 0
INFO:tensorflow:Restoring parameters from ssd_inception_v2_coco_2017_11_17/model.ckpt
INFO:tensorflow:Running local_init_op.
INFO:tensorflow:Done running local_init_op.
INFO:tensorflow:Starting Session.
INFO:tensorflow:Saving checkpoint to path training\model.ckpt
INFO:tensorflow:Starting Queues.
INFO:tensorflow:global_step/sec: 0
INFO:tensorflow:global step 1: loss = 13.8886 (12.339 sec/step)
INFO:tensorflow:global step 2: loss = 16.2202 (0.937 sec/step)
INFO:tensorflow:global step 3: loss = 13.7876 (0.904 sec/step)
INFO:tensorflow:global step 4: loss = 12.9230 (0.894 sec/step)
INFO:tensorflow:global step 5: loss = 12.7497 (0.922 sec/step)
INFO:tensorflow:global step 6: loss = 11.7563 (0.936 sec/step)
INFO:tensorflow:global step 7: loss = 11.7245 (0.910 sec/step)
INFO:tensorflow:global step 8: loss = 10.7993 (0.916 sec/step)
INFO:tensorflow:global step 9: loss = 9.1277 (0.890 sec/step)
INFO:tensorflow:global step 10: loss = 9.3972 (0.919 sec/step)
INFO:tensorflow:global step 11: loss = 9.9487 (0.897 sec/step)
INFO:tensorflow:global step 12: loss = 8.7954 (0.884 sec/step)
INFO:tensorflow:global step 13: loss = 7.4329 (0.906 sec/step)
INFO:tensorflow:global step 14: loss = 7.8270 (0.897 sec/step)
INFO:tensorflow:global step 15: loss = 6.4877 (0.894 sec/step)
Bu dosya ile eğitim önerilen eğitim şeklidir.
train.py
ile eğitime nazaran, kaldığı yerden devam eder- 1000 adım yapıldıysa, ikinci eğitimi 1200 yaptığınızda 200 adım eğitir
train.py
eğitiminde modelin sonucunun ayırılıp, sonuç üzerinden eğitim yapılması gerekir
Eğitim dosyaları arasında performans veya kalite farkı yoktur, kaynak için buraya bakabilirsin.
Eğitim için pycocotools
kurulumu gereklidir
Windows desteğiyle kurulum yapmak için alttaki komutu koşturun
pip install git+https://github.com/philferriere/cocoapi.git#subdirectory=PythonAPI
Açıklama için buraya bakabilirsin.
git clone https://github.com/cocodataset/cocoapi.git
cd cocoapi/PythonAPI
make
cp -r pycocotools /content/models/research/
cd ../..
rm -rf cocoapi
Resmi kaynağa ulaşmak için buraya bakabilirsin.
model_main.py
eğitim için önerilen dosyadır- Varsayılan olarak ekrana raporlama yapmaz, yapmasını isterseniz buraya bakabilirsiniz
# From the tensorflow/models/research/ directory
PIPELINE_CONFIG_PATH={path to pipeline config file}
MODEL_DIR={path to model directory}
NUM_TRAIN_STEPS=50000
SAMPLE_1_OF_N_EVAL_EXAMPLES=1
python object_detection/model_main.py \
--pipeline_config_path=${PIPELINE_CONFIG_PATH} \
--model_dir=${MODEL_DIR} \
--num_train_steps=${NUM_TRAIN_STEPS} \
--sample_1_of_n_eval_examples=$SAMPLE_1_OF_N_EVAL_EXAMPLES \
--alsologtostderr
Training times can be affected by a number of factors such as:
-
The computational power of you hardware (either CPU or GPU): Obviously, the more powerful your PC is, the faster the training process.
-
Whether you are using the TensorFlow CPU or GPU variant: In general, even when compared to the best CPUs, almost any GPU graphics card will yield much faster training and detection speeds. As a matter of fact, when I first started I was running TensorFlow on my Intel i7-5930k (6/12 cores @ 4GHz, 32GB RAM) and was getting step times of around 12 sec/step, after which I installed TensorFlow GPU and training the very same model -using the same dataset and config files- on a EVGA GTX-770 (1536 CUDA-cores @ 1GHz, 2GB VRAM) I was down to 0.9 sec/step!!! A 12-fold increase in speed, using a “low/mid-end” graphics card, when compared to a “mid/high-end” CPU.
-
How big the dataset is: The higher the number of images in your dataset, the longer it will take for the model to reach satisfactory levels of detection performance.
-
The complexity of the objects you are trying to detect: Obviously, if your objective is to track a black ball over a white background, the model will converge to satisfactory levels of detection pretty quickly. If on the other hand, for example, you wish to detect ships in ports, using Pan-Tilt-Zoom cameras, then training will be a much more challenging and time-consuming process, due to the high variability of the shape and size of ships, combined with a highly dynamic background.
-
And many, many, many, more. . . .
Anaconda Prompt üzerinden alttaki komutlar uygulanır:
activate tensorflow_cpu # ya da gpu
tensorboard --logdir=training\
Alttaki gibi bir çıktı gelmesi gerekmekte:
TensorBoard 1.6.0 at http://YOUR-PC:6006 (Press CTRL+C to quit)
Çıktıyı görüntülemek için verilen url'i tarayıcına kopyalaman yeterlidir.
Anaconda Prompt üzerinden alttaki komutlar uygulanır:
activate tensorflow_cpu # ya da gpu
copy %TENSORFLOW%\models\research\object_detection/export_inference_graph.py %TENSORFLOW%\workspace\example_detection
cd %TENSORFLOW%\workspace\example_detection
python export_inference_graph.py --input_type image_tensor --pipeline_config_path training/<yapılandırma_dosyası> --trained_checkpoint_prefix training/model.ckpt-<checkpoint> --output_directory trained-inference-graphs/output_inference_graph_v1.pb
<yapılandırma_dosyası>
Modelimizin yapılandırma dosyasının tam adı- training klasörüne attığımız yapılandırma dosyaları
- Örn: ssd_inception_v2_coco.config
<checkpoint>
example_detection/training dizinindeki gösterilmek istenen adımın numarası- Örn: 13302
Anaconda Prompt
üzerinden terminal işlemlerinize devam etmeniz durumunda sorun gidecektir.
Gerekli Paketlerin Kurulumları tamamnlanmadığı için bu hata ile karşılaşıyor olabilirsiniz.
PythonPath ayarlanmadığı için bu hata ile karşılaşmaktasınız.
set PYTHONPATH=%TENSORFLOW%\models\research;%TENSORFLOW%\models\research\slim;%TENSORFLOW%\models\research\object_detection
Dökümandaki ilgili alana yönelmek için buraya tıklayabilrisin.
Açıklama linki için buraya bakabilirsin.
start %TENSORFLOW%\models\research\object_detection\models\feature_map_generators.py
- Satır 518'deki yere alttaki kodu yapıştırın
image_features = image_features[list(image_features.keys())[0]]
Yakında..
Modelinizin .config
dosyanıza yazdığın tam yol verilerinde \
yerine /
veya \\
kullanmalısınız.
- Rastgeldiğim bu kaynağa göre ssd_mobilenet_v2_coco modeline özgü bir hatadır.
- Hatanın çözüm kaynağı için buraya tıklayabilirsin
Config dosyalarının text editör üzerinden düzenlemesi durumunda, türkçe karakterler için text editörü yapıyı değiştirmekte ve tensorflow bunu algılayamamaktadır. Sorunu çözmek için alttakiler yardımıyla .config
dosyasını düzenleyin:
- VsCode
- Notepad++
- Sublime
- Atom
Harici kaynak için buraya bakabilirsin.
Model eğitimi yapıldığı sırada gelen bir hatadır, çözümü için .config
dosyanızı bu şekilde düzenleyin:
train_config: {
...
fine_tune_checkpoint: "./pre_trained_model/model.ckpt"
fine_tune_checkpoint_type: "detection"
...
}
ssd_mobilenet_v1_quantized_300x300_coco14_sync
modelinde test edilmiştir.
Colab ücretsiz GPU sunduğu için çok hızlı bir eğitim imkanı sunar.
- label_map.pbtxt
- eval.record
- train.record
- *.config
- model_main.py (eskisi: train.py)
- export_inference_graph.py
Detayları öğrenmek için buraya tıklayarak colab notuma erişebilirsin.
Script dosyasına buraya tıklayarak erişebilirsin
- Traffic Light Detection Using the TensorFlow* Object Detection API
- Tensorflow in Anaconda
- Tensorflow create a tfrecords file from csv
- Tensorflow Object Detection, error while generating tfrecord [TypeError: None has type NoneType, but expected one of: int, long]
- Tensorflow Github Preparing Inputs
- TensorFlow Object Detection API in 5 clicks from Colaboratory
- Custom training: walkthrough
- TensorBoard: Visualizing Learning
- TPU'yu Bu kadar Popüler Kılan Nedir?
- Güncel Makaleler
- IBM Cloud üzerinden model
- Zero to Hero: Guide to Object Detection using Deep Learning: Faster R-CNN,YOLO,SSD
train.py
işlemi içinimages
dizinindeki resimlere ihtiyaç yok, tf_records'lar yeterlidir.
https://www.tensorflow.org/tutorials/load_data/tf_records
for image_features in parsed_image_dataset:
image_raw = image_features['image_raw'].numpy()
display.display(display.Image(data=image_raw))
The MIT License © Yunus Emre Ak