通过创建Tom and Spike分类器进行TensorFlow对象检测教程-第4部分(测试模型)

这是一系列博客,旨在阐述和理解TensorFlow对象检测API的细微差别

如果您尚未阅读本系列的第1部分,第2部分和第3部分,我建议您首先进行此操作,在那里您将学习如何设置所有内容,准备自定义数据以及初始化张量流训练模型。

这是本系列的最后一部分,希望您和我一起旅行愉快!

此时,您必须有一个终端,可以显示模型训练的进度。

第4步-导出推理图

  1. 在训练模型时,它以检查点文件的形式定期将检查点保存到训练文件夹中。 检查点文件名还包含保存检查点时训练过程中已执行的步骤数。 因此,检查点数越高,训练越好。 按照这种逻辑,我们将使用具有最高检查点编号的检查点文件来导出推理图。 测试新图像和视频时将使用此推理图。
  2. 要从最新的检查点导出推理图,请从object_detection目录运行以下命令,其中“ model.ckpt-XXXX”中的“ XXXX”应替换为训练文件夹中编号最大的.ckpt文件:
  python export_inference_graph.py --input_type image_tensor --pipeline_config_path training / ssd_mobilenet_v2_coco.config --trained_checkpoint_prefix training / model.ckpt-XXXX --output_directory inference_graph 
  • 导出推理图后,将创建一个文件夹inference_graph,该图将包含Frozen_inference_graph.pb文件,供测试时使用。

第5步-测试模型

  1. 在object_detection目录中存在以下python脚本,这些脚本将用于测试:
  • image_detection.py —用于图像
  • video_detection.py —用于视频
  • webcam_detection.py —用于网络摄像头视频

2.要测试您的图像和视频,请将以上脚本中的NUM_CLASSES更改为您在训练中使用的课程数量。

3.要测试图像,请将图像移动到object_detection / testing / images文件夹,然后将IMAGE_NAME更改为要测试的图像的名称。 现在,从object_detection目录中运行以下命令。

  python image_detection.py 

4.要测试视频,请将视频移动到object_detection / testing / videos文件夹,然后将VIDEO_NAME更改为要测试的视频的名称。 现在,从object_detection目录中运行以下命令。

  python video_detection.py 

5.要执行网络摄像头检测,只需在插入网络摄像头后运行以下命令。

  python webcam_detection.py 

我测试模型的一些示例是:

关于TensorFlow对象检测API的全部内容。 希望您能从本系列中学到一些东西。 请随时提出建议或为本教程的资料库做贡献

快乐编码❤

我将定期更新此博客,并提供在模型上可以实现的改进。 敬请关注。

如果您喜欢此帖子,请点击拍手按钮,这样其他人可以比您更容易找到这篇文章。 🎃