People-Detection

Tensorflow Object Detection API for People Detection

Use Python 3.6 and Tensorflow 1.7

Source : accoon_dataset 做點小修改

轉換xml跟圖檔成 TFRecord 格式

在此使用labelimg進行圖片標註，將標註完的XML跟JPG分別放在：

raccoon_dataset\annotations

和

raccoon_dataset\images

運行生成csv

python xml_to_csv.py

在生成TFRecord之前，先修正Label Map保持格式一致

# TO-DO replace this with label map
def class_text_to_int(row_label):
    if row_label == 'male':
        return 1
    if row_label == 'female':
        return 2
    else:
        None

運行生成TFRecord

python generate_tfrecord.py

開始訓練

先建立一個label_map.pbtxt，內容為你的Label Map

item {
  id: 1
  name: 'male'
}

item {
  id: 2
  name: 'female'
}

設定模型參數以及配置文件，打開raccoon_dataset\data\faster_rcnn_inception_v2_coco.config，修正文件位置

這裡使用COCO-pretrained SSD with MobileNet model為預訓練模型

fine_tune_checkpoint: "G:\\DL\\faster_rcnn_resnet101_coco_11_06_2017\\model.ckpt"
...
input_path: "G:\\DL\\test\\raccoon_dataset\\data\\train.record"
...
label_map_path: "G:\\DL\\test\\raccoon_dataset\\label_map.pbtxt"
...
input_path: "G:\\DL\\test\\raccoon_dataset\\data\\eval.record"
...
label_map_path: "G:\\DL\\test\\raccoon_dataset\\label_map.pbtxt"

接下來用TensorFlow Object Detection API開始訓練，使用models\research\object_detection\train.py

python train.py \
--logtostderr \
--pipeline_config_path={你的faster_rcnn_inception_v2_coco.config位置} \
--train_dir={訓練模型導出位置} \

Windows 環境需要注意路徑反斜線