Пошаговое обучение детектора пользовательских объектов

Оригинальная версия этого поста доступна здесь на dl.asmaamir.com ✨

🌱 Введение

✨ Tensorflow API обнаружения объектов - это мощный инструмент, который позволяет нам создавать собственные детекторы объектов в зависимости от предварительно обученных, точно настроенных моделей, даже если у нас нет сильного фона AI или сильного TensorFlow знания.
💁‍♀️ Построение моделей на основе предварительно обученных моделей экономит нам много времени и усилий, поскольку мы используем модели, которые, возможно, обучались неделями на очень мощных машинах, этот принцип называется Трансферное обучение.
🗃️ В качестве набора данных я покажу вам, как использовать набор данных OpenImages и преобразовать его данные в формат, удобный для TensorFlow.

🚩 Разработка

👩‍💻 Подготовка окружающей среды
🖼️ Получение изображения
🤹‍♀️ Организация изображений
🤖 Выбор модели
👩‍🔧 Конфигурация модели
👶 Обучение
👮‍♀️ Оценка
👒 Экспорт модели
📱 Преобразование в tflite

- 🤕 Пока вы применяете инструкции, если вы получаете ошибки, вы можете проверить раздел «Общие проблемы» в конце статьи.

- 🤯 Если ваша модель не обучается должным образом, ознакомьтесь с примечаниями по отладке модели здесь (бета 🧪)

👩‍💻 Подготовка окружающей среды

🔸 Информация об окружающей среде

🐍 Версия Python: 3.7
🔥 Версия TensorFlow: 1.15

🥦 Настройка среды Conda

🔮 Создать новый env

🥦 Установите Anaconda
💻 Откройте cmd и запустите:

# conda create -n <ENV_NAME> python=<REQUIRED_VERSION>
conda create -n tf1 python=3.7

⚡ Активируйте новый env

# conda activate <ENV_NAME>
conda activate tf1

🔽 Установить пакеты

💥 GPU против вычислений CPU

🚀 Установка TensorFlow

# for gpu
conda install tensorflow-gpu=1.15
# for cpu
conda install tensorflow=1.15

📦 Установка других пакетов

conda install pillow Cython lxml jupyter matplotlib
conda install -c anaconda protobuf

🤖 Скачивание репозитория моделей

🤸‍♀️ Клонирование с GitHub

Репозиторий, содержащий необходимые утилиты для обучения и оценки.
Откройте CMD, запустите E диск и запустите:

# note that every time you open CMD you have
# to activate your env again by running:
# under E:\>
conda activate tf1
git clone https://github.com/tensorflow/models.git
cd models/research

🧐 Я предполагаю, что вы выполняете свои команды под E диском.

🔃 Компиляция Protobufs

💻 Окна

# under (tf1) E:\models\research>
for /f %i in ('dir /b object_detection\protos\*.proto') ^do protoc object_detection\protos\%i --python_out=.

🐧 Linux

# under /models/research
$ protoc object_detection/protos/*.proto --python_out=.

📦 Компиляция пакетов

#under (tf1) E:\models\research>
python setup.py build
python setup.py install

🚩 Временная установка пути Python

💻 Окна

#under (tf1) E:\models\research>
set PYTHONPATH=E:\models\research;E:\models\research\slim

🐧 Linux

# under /models/research
$ export PYTHONPATH=`pwd`:`pwd`/slim

👮‍♀️ Каждый раз, когда вы открываете CMD, вам нужно снова установить PYTHONPATH

👩‍🔬 Тест установки

🧐 Убедитесь, что все сделано

💻 Команда

# under (tf1) E:\models\research>
python python object_detection/builders/model_builder_tf1_test.py

🎉 Ожидаемый результат

Ran 17 tests in 0.833s
OK (skipped=1)

🖼️ Получение изображений

👮‍♀️ Структура каталогов

🏗️ Я полагаю, что вы создали такую структуру, как:

|___ models
|___ demo
    |___ annotations
    |___ eval
    |___ images
    |___ inference
    |___ OIDv4_ToolKit
    |___ OpenImagesTool
    |___ pre_trainded_model
    |___ scripts
    |___ training

🤖 model: репо здесь

📄 annotations: будет содержать сгенерированные файлы .csv и .record

👮‍♀️ eval: будет содержать результаты оценки

🖼️ images: будет содержать набор данных изображения

▶ ️ inference: будет содержать экспортированные модели после обучения

🔽 OIDv4_ToolKit: репо здесь (OpenImages Downloader)

👩‍🔧 OpenImagesTool: репо здесь (OpenImages Organizer)

👩‍🏫pre_trained_model: будет содержать файлы модели TensorFlow, которые мы будем переобучать

👩‍💻 scripts: будет содержать скрипты, которые мы будем использовать для процессов предварительной обработки и обучения

🚴‍♀️ training: будет содержать сгенерированные контрольные точки во время тренировки

🚀 Набор данных OpenImages

🕵️‍♀️ Вы можете получать изображения различными способами
👩‍🏫 Я покажу процесс организации набора данных OpenImages
🗃️ OpenImages - это огромный набор данных, содержащий аннотированные изображения 600 объектов
🔍 Вы можете просматривать изображения по категориям здесь

🎨 Загрузка по категориям

OIDv4_Toolkit - это инструмент, который мы можем использовать для загрузки набора данных OpenImages по категориям и по набору (тест, обучение, проверка)

💻 Чтобы клонировать и собрать проект, откройте CMD и запустите:

(tf1) E:\demo>git clone https://github.com/EscVM/OIDv4_ToolKit.git
(tf1) E:\demo>cd OIDv4_ToolKit
(tf1) E:\demo\OIDv4_ToolKit>pip install -r requirements.txt

⏬ Чтобы начать скачивание по категориям:

# python main.py downloader --classes <OBJECT_LIST> --type_csv <TYPE>
# TYPE: all | test | train | validation
(tf1) E:\demo\OIDv4_ToolKit>python main.py downloader --classes Apple Orange --type_csv validation

👮‍♀️ Если имя объекта состоит из 2 частей, запишите его с помощью '_', e.g. Bell_pepper

🤹‍♀️ Организация изображений

🔮 OpenImagesTool

👩‍💻 OpenImagesTool - это инструмент для преобразования изображений и аннотаций OpenImages в структуру, удобную для TensorFlow.
🙄 OpenImages предоставляет аннотации и .txt файлы в таком формате, как: <OBJECT_NAME> <XMIN> <YMIN> <XMAX> <YMAX>, который несовместим с TensorFlow, требующим формата аннотаций VOC
💫 Для этой синхронизации мы можем сделать следующее

💻 Чтобы клонировать и построить проект, откройте CMD и запустите:

(tf1) E:\demo>git clone https://github.com/asmaamirkhan/OpenImagesTool.git
(tf1) E:\demo>cd OpenImagesTool/src

💻 Применение организации

🚀 Теперь мы преобразуем изображения и аннотации, которые мы загрузили, и сохраним их в папку images.

# under (tf1) E:\demo\OpenImagesTool\src>
# python script.py -i <INPUT_PATH> -o <OUTPUT_PATH>
python script.py -i E:\pre_trainded_model\OIDv4_ToolKit\OID\Dataset -o E:\pre_trainded_model\images

👩‍🔬 OpenImagesTool по умолчанию добавляет проверочные изображения в обучающий набор. Если вы хотите отключить это поведение, вы можете добавить к команде флаг -v.

🏷️ Создание карты меток

⛓️ label_map.pbtxt - это файл, который сопоставляет имена объектов с соответствующими идентификаторами.
➕ Создайте label_map.pbtxtfile в папке аннотаций и откройте его в текстовом редакторе
🖊️ Напишите имена и идентификаторы ваших объектов в следующем формате

item {
  id: 1
  name: 'Hamster'
}
item {
  id: 2
  name: 'Apple'
}

👮‍♀️ id:0 зарезервирован для фона, поэтому не используйте его

🐞 Связанная ошибка: ValueError: Label map id 0 is reserved for the background label

🏭 Создание файлов CSV

🔄 Теперь нам нужно преобразовать .xml файлов в файл csv.
🔻 Загрузите скрипт xml_to_csv.py и сохраните его в папке scripts.
💻 Откройте CMD и запустите:

👩‍🔬 Создание CSV-файла поезда

# under (tf1) E:\demo\scripts>
python xml_to_csv.py -i E:\demo\images\train -o E:\demo\annotations\train_labels.csv

👩‍🔬 Создание тестового CSV-файла

# under (tf1) E:\demo\scripts>
python xml_to_csv.py -i E:\demo\images\test -o E:\demo\annotations\test_labels.csv

👩‍🏭 Создание записей TF

🙇‍♀️ Теперь мы сгенерируем tfrecords, которые будут использоваться в прецессе обучения
🔻 Загрузите скрипт generate_tfrecords.py и сохраните его в папке scripts.

👩‍🔬 Генерация поездов tfrecord

# under (tf1) E:\demo\scripts>
# python generate_tfrecords.py --label_map=<PATH_TO_LABEL_MAP>
# --csv_input=<PATH_TO_CSV_FILE> --img_path=<PATH_TO_IMAGE_FOLDER>
# --output_path=<PATH_TO_OUTPUT_FILE>
python generate_tfrecords.py --label_map=E:\demo\annotations\label_map.pbtxt --csv_input=E:\demo\annotations\train_labels.csv --img_path= E:\demo\images\train --output_path=E:\demo\annotations\train.record

👩‍🔬 Создание тестовой записи tfrecord

# under (tf1) E:\demo\scripts>
python generate_tfrecords.py --label_map=E:\demo\annotations\label_map.pbtxt --csv_input=E:\demo\annotations\test_labels.csv --img_path= E:\demo\images\test --output_path=E:\demo\annotations\test.record

🤖 Выбор модели

🎉 TensorFLow Object Detection Zoo предоставляет множество предварительно обученных моделей.
🕵️‍♀️ Модели различаются по точности и скорости, вы можете выбрать подходящую модель в соответствии с вашими приоритетами
💾 Выберите модель, извлеките ее и сохраните в папке pre_trained_model.
👀 Прочтите мои заметки здесь, чтобы узнать о различиях между популярными моделями.

👩‍🔧 Конфигурация модели

⏬ Загрузка файла конфигурации

😎 Мы загрузили модели (предварительно обученные веса), но теперь нам нужно загрузить файл конфигурации, который содержит параметры и настройки обучения.
👮‍♀️ Каждая модель в TensorFlow Object Detection Zoo имеет файл конфигурации, представленный здесь
💾 Загрузите файл конфигурации, соответствующий выбранным моделям, и сохраните его в папке training.

👩‍🔬 Обновление файла конфигурации

Вам необходимо обновить следующие строки:

// number of classes
num_classes: 1 // set it to total number of classes you have
// path of pre-trained checkpoint
fine_tune_checkpoint: "E:/demo/pre_trained_model/ssd_mobilenet_v1_quantized_300x300_coco14_sync_2018_07_18/model.ckpt"
// path to train tfrecord
tf_record_input_reader {
input_path: "E:/demo/annotations/train.record"
}
// number of images that will be used in evaluation process
eval_config: {
metrics_set: "coco_detection_metrics"
use_moving_averages: false
// I suggest setting it to total number of testing set to get accurate results
num_examples: 11193
}
eval_input_reader: {
tf_record_input_reader {
// path to test tfrecord
input_path: "E:/demo/annotations/test.record"
}
// path to label map
label_map_path: "E:/demo/annotations/label_map.pbtxt"
// set it to true if you want to shuffle test set at each evaluation
shuffle: false
num_readers: 1
}

🤹‍♀️ Если вы отдадите весь набор тестов на оценку, тогда функция перемешивания не повлияет на результаты, а только предоставит вам разные примеры на TensorBoard

👶 Обучение

🎉 Теперь мы сделали все приготовления
🚀 Пусть компьютер начнет учиться
💻 Откройте CMD и запустите:

# under (tf1) E:\models\research\object_detection\legacy>
# python train.py --train_dir=<DIRECTORY_TO_SAVE_CHECKPOINTS>
# --pipline_config_path=<PATH_TO_CONFIG_FILE>
python train.py --train_dir=E:/demo/training --pipeline_config_path=E:/demo/training/ssd_mobilenet_v1_quantized_300x300_coco14_sync.config

🕐 Этот процесс займет много времени (Вы можете вздремнуть 🤭, но вздремнуть долго 🙄)
🕵️‍♀️ Пока модель обучается, вы увидите значения потерь на CMD.
✋ Вы можете остановить процесс, когда значение убытка достигнет хорошего значения (менее 1)

👮‍♀️ Оценка

🎳 Сценарий оценки

🤭 После того, как процесс обучения будет завершен, давайте проведем экзамен, чтобы узнать, насколько хорошо (или плохо 🙄) наша модель справляется.
🎩 Следующая команда будет использовать модель для всего набора тестов и после этого распечатать результаты, чтобы мы могли провести анализ ошибок.
💻 Итак, откройте CMD и запустите:

# under (tf1) E:\models\research\object_detection\legacy>
# python eval.py --logtostderr --pipline_config_path=<PATH_TO_CONFIG_FILE>
# --checkpoint_dir=<DIRECTORY_OF_CHECKPOINTS> --eval_dir=<DIRECTORY_TO_SAVE_EVAL_RESULTS>
python eval.py --pipeline_config_path=E:/demo/training/ssd_mobilenet_v1_quantized_300x300_coco14_sync.config --checkpoint_dir=--pipeline_config_path=E:/demo/training --eval_dir=--pipeline_config_path=E:/demo/eval

👀 Визуализация результатов

✨ Чтобы увидеть результаты на графиках и изображениях, мы можем использовать TensorBoard для лучшего анализа
💻 Откройте CMD и:

👩‍🏫 Визуализация тренировочных ценностей

🧐 Здесь вы можете увидеть графики потерь, скорости обучения и других значений
🤓 И многое другое (вы можете изучить вкладки вверху)
😋 Можно использовать на тренировках (и увлекательно 🤩)

# under (tf1) E:\> 
tensorboard --logdir=E:/demo/tarining

👮‍♀️ Визуализация оценочных значений

👀 Здесь вы можете увидеть изображения из вашего тестового набора с соответствующими прогнозами.
🤓 И многое другое (вы можете просмотреть вкладки вверху)
❗ Вы должны использовать это после запуска оценочного скрипта

# under (tf1) E:\>
tensorboard --logdir=E:/demo/eval

🔍 Посмотрите визуализированные результаты на localhost: 6006 и
🧐 Вы можете просмотреть числовые значения из отчета на терминале, пример результата:

Average Precision  (AP) @[ IoU=0.50:0.95 | area=   all | maxDets=100 ] = 0.708
Average Precision  (AP) @[ IoU=0.50      | area=   all | maxDets=100 ] = 0.984
Average Precision  (AP) @[ IoU=0.75      | area=   all | maxDets=100 ] = 0.868
Average Precision  (AP) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = 0.289
Average Precision  (AP) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.623
Average Precision  (AP) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.767
Average Recall     (AR) @[ IoU=0.50:0.95 | area=   all | maxDets=  1 ] = 0.779
Average Recall     (AR) @[ IoU=0.50:0.95 | area=   all | maxDets= 10 ] = 0.781
Average Recall     (AR) @[ IoU=0.50:0.95 | area=   all | maxDets=100 ] = 0.781
Average Recall     (AR) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = 0.300
Average Recall     (AR) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.703
Average Recall     (AR) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.824

🎨 Если вы хотите получить отчет по метрикам для каждого класса, вам необходимо изменить протокол оценки на паскаль метрики, настроив metrics_set в .config файле:

eval_config: {
...
metrics_set: "weighted_pascal_voc_detection_metrics"
...
}

👒 Экспорт модели

🔧 После завершения процессов обучения и оценки мы должны сделать модель в таком формате, чтобы мы могли ее использовать.
🦺 На данный момент у нас есть только контрольные точки, поэтому нам нужно экспортировать .pb файл
💻 Итак, открываем CMD и запускаем:

# under (tf1) E:\models\research\object_detection>
# python export_inference_graph.py --input_type image_tensor
# --pipeline_config_path <PATH_TO_CONFIG_FILE>
# --trained_checkpoing_prefix <PATH_TO_LAST_CHECKPOINT>
# --output_directory <PATH_TO_SAVE_EXPORTED_MODEL>
python export_inference_graph.py --input_type image_tensor --pipeline_config_path=E:/demo/training/ssd_mobilenet_v1_quantized_300x300_coco14_sync.config --trained_checkpoing_prefix E:/demo/training/model.ckpt-16438 --output_directory E:/demo/inference/ssd_v1_quant

Если вы используете SSD и планируете позже преобразовать его в tflite, вам нужно запустить

# under (tf1) E:\models\research\object_detection>
# python export_tflite_ssd_graph.py --input_type image_tensor
# --pipeline_config_path <PATH_TO_CONFIG_FILE>
# --trained_checkpoing_prefix <PATH_TO_LAST_CHECKPOINT>
# --output_directory <PATH_TO_SAVE_EXPORTED_MODEL>
python export_tflite_ssd_graph.py --input_type image_tensor --pipeline_config_path=E:/demo/training/ssd_mobilenet_v1_quantized_300x300_coco14_sync.config --trained_checkpoing_prefix E:/demo/training/model.ckpt-16438 --output_directory E:/demo/inference/ssd_v1_quant

📱 Преобразование в tflite

💁‍♀️ Если вы хотите использовать модель в мобильных приложениях или встроенных устройствах с поддержкой tflite, вам необходимо преобразовать .pb файл в .tflite файл.

📙 О TFLite

📱 TensorFlow Lite - легкое решение TensorFlow для мобильных и встроенных устройств.
🧐 Он обеспечивает логический вывод машинного обучения на устройстве с малой задержкой и небольшим двоичным размером.
😎 В TensorFlow Lite для этого используются многие методы, такие как квантованные ядра, которые позволяют создавать более мелкие и быстрые (математические модели с фиксированной точкой).
📍 Официальный сайт

🍫 Команда преобразования

💻 Чтобы применить преобразование, откройте CMD и запустите:

# under (tf1) E:\>
# toco --graph_def_file=<PATH_TO_PB_FILE>
# --output_file=<PATH_TO_SAVE> --input_shapes=<INPUT_SHAPES>
# --input_arrays=<INPUT_ARRAYS> --output_arrays=<OUTPUT_ARRAYS>
# --inference_type=<QUATIZED_UINT8|FLOAT> --change_concat_input_ranges=<true|false>
# --alow_custom_ops
# args for QUATIZED_UINT8 inference
# --mean_values=<MEAN_VALUES> std_dev_values=<STD_DEV_VALUES>
toco --graph_def_file=E:\demo\inference\ssd_v1_quant\tflite_graph.pb --output_file=E:\demo\tflite\ssd_mobilenet.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=QUATIZED_UINT8 --mean_values=128 --std_dev_values=128 --change_concat_input_ranges=false --allow_custom_ops

🐞 Общие проблемы

🥅 проблема с сетевым модулем

ModuleNotFoundError: No module named 'nets'

Это означает, что возникла проблема с настройкой PYTHONPATH, попробуйте запустить:

# under (tf1) E:\models\research>
set PYTHONPATH=E:\models\research;E:\models\research\slim

🗃️ проблема с модулем tf_slim

ModuleNotFoundError: No module named 'tf_slim'

Это означает, что модуль tf_slim не установлен, попробуйте запустить:

# under (tf1) E:\models\research>
pip install tf_slim

🗃️ Ошибка распределения

2020-08-11 17:44:00.357710: I tensorflow/core/common_runtime/bfc_allocator.cc:929] Stats:
Limit:                 10661327
InUse:                 10656704
MaxInUse:              10657688
NumAllocs:                 2959
MaxAllocSize:           3045064

Для меня это исправлено путем минимизации batch_size в .config файле, это связано с вашими вычислительными ресурсами.

train_config: {
....
batch_size: 128
....
}

❗ нет такой ошибки файла или каталога

train.py tensorflow.python.framework.errors_impl.notfounderror no such file or directory

🙄 Для меня это была опечатка в команде train.py
📍 Связанное обсуждение 1
📍 Связанное обсуждение 2

🤯 LossTensor - это информационная проблема

LossTensor is inf or nan. : Tensor had NaN values

👀 Связанное обсуждение ведется здесь, обычно это проблема с аннотациями
🙄 Возможно, есть какие-то ограничивающие рамки за пределами изображения
🤯 Решением для меня было уменьшение размера пакета в .config файле

🙄 Проблема с достоверностью информации

The following classes have no ground truth examples

👀 Связанное обсуждение находится здесь
👩‍🔧 Для меня это была ошибка в файле label_map,
🙄 Обратите внимание на строчные и заглавные буквы

🏷️ проблема с картой этикеток

ValueError: Label map id 0 is reserved for the background label

👮‍♀️ id: 0 зарезервирован для фона, мы не можем использовать его для объектов
🆔 начальные идентификаторы с 1

🔦 Нет переменной для сохранения

Value Error: No Variable to Save

👀 Связанное решение: здесь
👩‍🔧 Добавление следующей строки в файл .config решило проблему

train_config: {
...
fine_tune_checkpoint_type:  "detection"
...
}

🧪 проблема с модулем pycocotools

ModuleNotFoundError: No module named 'pycocotools'

👀 Связанное обсуждение находится здесь
👩‍🔧 Применение инструкций по загрузке, предоставленных здесь, решило проблему для меня (в Windows 10)

🥴 проблема с ошибкой типа pycocotools

pycocotools typeerror: object of type cannot be safely interpreted as an integer.

👩‍🔧 Я решил проблему, отредактировав следующие строки в скрипте cocoeval.py из пакета pycocotools (добавив приведение)
👮‍♀️ Убедитесь, что вы редактируете пакет в своем env, а не в другом env.

self.iouThrs = np.linspace(.5, 0.95, int(np.round((0.95 - .5) / .05)) + 1, endpoint=True)
self.recThrs = np.linspace(.0, 1.00, int(np.round((1.00 - .0) / .01)) + 1, endpoint=True)

💣 Потеря взрыва

INFO:tensorflow:global step 440: loss = 2106942657570782838784.0000 (0.405 sec/step)
INFO:tensorflow:global step 440: loss = 2106942657570782838784.0000 (0.405 sec/step)
INFO:tensorflow:global step 441: loss = 7774169971762292326400.0000 (0.401 sec/step)
INFO:tensorflow:global step 441: loss = 7774169971762292326400.0000 (0.401 sec/step)
INFO:tensorflow:global step 442: loss = 25262924095336287830016.0000 (0.404 sec/step)
INFO:tensorflow:global step 442: loss = 25262924095336287830016.0000 (0.404 sec/step)

🙄 У меня было 2 проблемы:

Первое:

Некоторые аннотации были неправильными и выходили за пределы изображения (например, xmax ›width)
Я мог проверить это, проверив файл .csv
Пример:

Второй:

Скорость обучения в .config файле слишком велика (значение по умолчанию было большим 🙄)
Следующие значения действительны и протестированы на mobilenet_ssd_v1_quantized (Не очень хорошо 🙄)

learning_rate: {
  cosine_decay_learning_rate {
    learning_rate_base: .01
    total_steps: 50000
    warmup_learning_rate: 0.005
    warmup_steps: 2000
  }
}

🥴 Ошибка получения свертки

Error : Failed to get convolution algorithm. This is probably because cuDNN failed to initialize, so try looking to see if a warning log message was printed above.

Это может быть проблема несовместимости версий Cuda.
Для меня это была проблема с памятью, и я решил ее, добавив следующую строку в скрипт train.py

os.environ['TF_FORCE_GPU_ALLOW_GROWTH'] = 'true'

📦 Ошибка неверных данных коробки

raise ValueError('Invalid box data. data must be a numpy array of '
ValueError: Invalid box data. data must be a numpy array of N*[y_min, x_min, y_max, x_max]

🙄 Для меня это была логическая ошибка, в test_labels.csv были недопустимые значения, например: file123.jpg,134,63,3,0,0,-1029,-615
🔖 Итак, это была проблема с маркировкой, исправление этих строк решило проблему
👀 Связанное обсуждение

🔄 Изображение с добавленным идентификатором

raise ValueError('Image with id {} already added.'.format(image_id))
ValueError: Image with id 123.png already added.

☝ Это проблема в .config, вызванная присвоением num_example значения, превышающего общее количество тестовых изображений в тестовом каталоге.

eval_config: {
  metrics_set: "coco_detection_metrics"
  use_moving_averages: false
  num_examples: 1265 // <--- this value was greater than total test images
}

Пошаговое обучение детектора пользовательских объектов

🌱 Введение

🚩 Разработка

👩‍💻 Подготовка окружающей среды

🔸 Информация об окружающей среде

🥦 Настройка среды Conda

🔮 Создать новый env

⚡ Активируйте новый env

🔽 Установить пакеты

💥 GPU против вычислений CPU

🚀 Установка TensorFlow

📦 Установка других пакетов

🤖 Скачивание репозитория моделей

🤸‍♀️ Клонирование с GitHub

🔃 Компиляция Protobufs

💻 Окна

📦 Компиляция пакетов

🚩 Временная установка пути Python

👩‍🔬 Тест установки

🖼️ Получение изображений

👮‍♀️ Структура каталогов

🚀 Набор данных OpenImages

🎨 Загрузка по категориям

🤹‍♀️ Организация изображений

🔮 OpenImagesTool

💻 Применение организации

🏷️ Создание карты меток

🏭 Создание файлов CSV

👩‍🔬 Создание CSV-файла поезда

👩‍🔬 Создание тестового CSV-файла

👩‍🏭 Создание записей TF

👩‍🔬 Генерация поездов tfrecord

👩‍🔬 Создание тестовой записи tfrecord

🤖 Выбор модели

👩‍🔧 Конфигурация модели

⏬ Загрузка файла конфигурации

👩‍🔬 Обновление файла конфигурации

👶 Обучение

👮‍♀️ Оценка

🎳 Сценарий оценки

👀 Визуализация результатов

👩‍🏫 Визуализация тренировочных ценностей

👮‍♀️ Визуализация оценочных значений

👒 Экспорт модели

📱 Преобразование в tflite

📙 О TFLite

🐞 Общие проблемы

🥅 проблема с сетевым модулем

🗃️ проблема с модулем tf_slim

🗃️ Ошибка распределения

❗ нет такой ошибки файла или каталога

🤯 LossTensor - это информационная проблема

🙄 Проблема с достоверностью информации

🏷️ проблема с картой этикеток

🔦 Нет переменной для сохранения

🧪 проблема с модулем pycocotools

🥴 проблема с ошибкой типа pycocotools

💣 Потеря взрыва

🥴 Ошибка получения свертки

📦 Ошибка неверных данных коробки

🔄 Изображение с добавленным идентификатором

🧐 Ссылки

Вопросы по теме