一.? ?概述
本文將介紹一套非常好用的一個免費(fèi)資源，由 Google 所提供的 Colab 這項(xiàng)雲(yún)端服務(wù)。
延續(xù)上一章節(jié)的理念，此系列的目的為工具書導(dǎo)向，這裡將介紹如何利用 Colab 建立一套物件辨識應(yīng)用，讀者僅須要依照步驟，按部就班即可完成實(shí)作!! 時不宜遲，趕緊動手操作吧!! 如下圖文章架構(gòu)圖所示，此架構(gòu)圖隸屬於 i.MX8M Plus 的方案博文中，並屬於 Third Party 軟體資源的 Google Colab 密技大公開 之部分，目前章節(jié)介紹 “利用 Colab 打造 AI 學(xué)習(xí)庫”。
?
若新讀者欲理解更多人工智慧、機(jī)器學(xué)習(xí)以及深度學(xué)習(xí)的資訊，可點(diǎn)選查閱下方博文
?大大通精彩博文???【ATU Book-i.MX8系列】博文索引
?
?
Colab 系列博文-文章架構(gòu)示意圖
?
二.? 利用 Colab 打造 AI 學(xué)習(xí)庫
如下圖所示，本文章會先由 Google 提供的 Colab 之 GPU 資源訓(xùn)練出一套關(guān)於物件識別模組，接著將訓(xùn)練完成的模組移植至 NXP i.MX8M Plus 開發(fā)板中運(yùn)行。
?(1) 透過 Colab 訓(xùn)練出物件識別模組 :?
開啟 Colab 筆記本一步一步運(yùn)行代碼，即可完成實(shí)作 !!
結(jié)合遷移學(xué)習(xí)方法與 TF-Slim資料庫實(shí)現(xiàn) TOTORO 物件檢測器(Object Detector)
PS :? 灰底為程式儲存格的代碼，複製貼上至 Colab 即可使用 !!
第一步 : 開啟 Colab 設(shè)定環(huán)境
%tensorflow_version 1.x
!python -c 'import matplotlib as tf; print(tf.__version__)' # Check the version of the tensorflow
?
第二步 : TensorFlow Model Garden 下載與安裝
%cd root
!git clone https://github.com/tensorflow/models.git
%cd root/models/research/
!protoc object_detection/protos/*.proto --python_out=. # gernate *.proto
!python setup.py build # 建置 TensorFlow Model Garden 檔案?
第三步 : TensorFlow Slim 下載與安裝
import os
os.environ['PYTHONPATH'] += ':/root/models/research/:/root/models/research/slim/:/root/models/research/object_detection/utils/:/root/models/research/object_detection'
!pip install tf_slim # 安裝 TensorFlow Slim
!python object_detection/builders/model_builder_test.py # TensorFlow Slim 模組建立是否成功測試?
第四步 : 下載資料庫
常見的物件識別的資料庫為 COCO DataSets
讀者也可以更換資料庫就可以訓(xùn)練出不同的識別應(yīng)用。
%cd /root/models/
!git clone https://github.com/fllay/totoro.git #Download TOTORO
第五步 : 數(shù)據(jù)特徵處理
解析紀(jì)錄物件之位置特徵與分類的 XML 檔案，如代碼所示。
import os
import glob
import pandas as pd
import xml.etree.ElementTree as ET
# 將 xml 檔資料轉(zhuǎn)換成 DataFrame 形式
def xml_to_csv(path):
xml_list = []
for xml_file in glob.glob(path + '/*.xml'):
tree = ET.parse(xml_file)
root = tree.getroot()
for member in root.findall('object'):
value = (root.find('filename').text,
int(root.find('size')[0].text),
int(root.find('size')[1].text),
member[0].text,
int(member[4][0].text),
int(member[4][1].text),
int(member[4][2].text),
int(member[4][3].text)
)
xml_list.append(value)
column_name = ['filename', 'width', 'height', 'class', 'xmin', 'ymin', 'xmax', 'ymax']
xml_df = pd.DataFrame(xml_list, columns=column_name)
return xml_df
# 將 xml 資料轉(zhuǎn)換成 train_labels.csv 與 test_labels.csv 兩個檔案
def main():
image_path = os.path.join(os.getcwd(), 'totoro/images/train')
xml_df = xml_to_csv(image_path)
xml_df.to_csv('totoro/data/train_labels.csv', index=None)
image_path = os.path.join(os.getcwd(), 'totoro/images/test')
xml_df = xml_to_csv(image_path)
xml_df.to_csv('totoro/data/test_labels.csv',index=None)
main()
?
第六步 : 製作 TensorFlow Record
欲了解 TensorFlow Record 介紹，可參考 TensorFlow 官方網(wǎng)站資訊，或是 github 作者所撰寫的 generate_tfrecord.py 用法。
%cd /root/models/totoro/tfrecord
!python generate_tfrecord.py --csv_input=/root/models/totoro/data/train_labels.csv \
--output_path=train.record --image_dir=/root/models/totoro/images/train
!python generate_tfrecord.py --csv_input=/root/models/totoro/data/test_labels.csv\
--output_path=test.record --image_dir=/root/models/totoro/images/test
PS :? 執(zhí)行後，將於 models/ totoro/tfrecord 資料夾內(nèi)產(chǎn)出 train.record & test.record' 檔案
第七步 : 下載訓(xùn)練過的 MobileNet 模組
此步驟利用之前訓(xùn)練過的模組資源重新訓(xùn)練，即?遷移學(xué)習(xí)(Transfer Learning)?的技術(shù)，未來將有系列博文專門介紹，敬請期待 !!
%cd ~/models
import shutil
import tarfile
from requests import get
MODEL = 'ssd_mobilenet_v1_coco_2017_11_17'
MODEL_FILE = MODEL + '.tar.gz'
DOWNLOAD_BASE = 'http://download.tensorflow.org/models/object_detection/'
DEST_DIR = 'pretrained_model'
# 下載mobilenet 模組
if not (os.path.exists(MODEL_FILE)):
with open(MODEL_FILE, "wb") as file:
response = get(DOWNLOAD_BASE + MODEL_FILE)
file.write(response.content)
# 解壓縮 mobilenet 模組
tar = tarfile.open(MODEL_FILE)
tar.extractall()
tar.close()
os.remove(MODEL_FILE)
if (os.path.exists(DEST_DIR)):
shutil.rmtree(DEST_DIR)
os.rename(MODEL, DEST_DIR)
# 移動 mobilenet.config" 資訊
shutil.move( "/root/models/research/object_detection/samples/configs/ssd_mobilenet_v1_coco.config", "/root/models" )?
第八步 : 修改 Config 檔案
%cd /root/models/research/
# 編輯Pipeline 資訊
import tensorflow as tf
from google.protobuf import text_format
from object_detection.protos import pipeline_pb2
pipeline = pipeline_pb2.TrainEvalPipelineConfig()
config_path = '/root/models/ssd_mobilenet_v1_coco.config'with tf.gfile.GFile( config_path, "r") as f:
proto_str = f.read()
text_format.Merge(proto_str, pipeline)
pipeline.train_input_reader.tf_record_input_reader.input_path[:] = ['/root/models/totoro/tfrecord/train.record'] # train data
pipeline.train_input_reader.label_map_path = '/root/models/totoro/data/object-detection.pbtxt'
pipeline.eval_input_reader[0].tf_record_input_reader.input_path[:] = ['/root/models/totoro/tfrecord/test.record'] # test data
pipeline.eval_input_reader[0].label_map_path = '/root/models/totoro/data/object-detection.pbtxt' # network
pipeline.train_config.fine_tune_checkpoint = '/root/models/pretrained_model/model.ckpt' # weight
pipeline.train_config.num_steps = 500 # training step
pipeline.model.ssd.num_classes = 2 # classes num
pipeline.eval_config.num_examples = 5 # test image number
config_text = text_format.MessageToString(pipeline)
with tf.gfile.Open( config_path, "wb") as f:
f.write(config_text)
?
第九步 : 進(jìn)行訓(xùn)練
!python /root/models/research/object_detection/legacy/train.py \
--logtostderr \
--train_dir=/root/models/trained \
--pipeline_config_path=/root/models/ssd_mobilenet_v1_coco.config
PS :? 訓(xùn)練完成後，將於 models/trained/ 資料夾內(nèi)產(chǎn)出 model.ckpt-500 檔案
第十步 : 產(chǎn)生 Frozen Graph
此步驟可以調(diào)整模組輸出大小，比如說將原本輸入大小 224x224 改成 96x96 。
PS :? 訓(xùn)練完成後，將於 models/fine_tuned_model / 資料夾內(nèi)產(chǎn)出 tflite_graph.pb 檔案
!python /root/models/research/object_detection/export_tflite_ssd_graph.py \
--pipeline_config_path=/root/models/ssd_mobilenet_v1_coco.config \
--output_directory=/root/models/fine_tuned_model \
--trained_checkpoint_prefix=/root/models/trained/model.ckpt-500?
第十一步 : TensorFlow Lite 轉(zhuǎn)換
PS :? 訓(xùn)練完成後，將於 models/fine_tuned_model / 資料夾內(nèi)產(chǎn)出 mobilenetssd_totoro_uint8.tflite 檔案
# 此處以指令方式進(jìn)行轉(zhuǎn)換，亦可使用上述文章所介紹代碼方式。
! tflite_convert \
--output_file=/root/models/fine_tuned_model/ mobilenetssd_totoro_uint8.tflite \
--graph_def_file=/root/models/fine_tuned_model/tflite_graph.pb \
--inference_type=QUANTIZED_UINT8 \
--input_arrays=normalized_input_image_tensor \
--input_shapes=1,300,300,3 \
--output_arrays= 'TFLite_Detection_PostProcess','TFLite_Detection_PostProcess:1','TFLite_Detection_PostProcess:2','TFLite_Detection_PostProcess:3’ \
--default_ranges_min=0 \
--default_ranges_max=6 \
--mean_values=128 \
--std_dev_values=127 \
--allow_custom_ops?
第十二步 : Object Detection 範(fàn)例實(shí)現(xiàn)
建立 app.py 開始撰寫 python 代碼，如下:
import cv2
import numpy as np
from tflite_runtime.interpreter import Interpreter
# 解析 tensorflow lite 檔案
interpreter = Interpreter(model_path='mobilenetssd_totoro_uint8.tflite') # 記得將模組移動至 i.MX8 平臺
interpreter.allocate_tensors()
input_details = interpreter.get_input_details()
output_details = interpreter.get_output_details()
width = input_details[0]['shape'][2]
height = input_details[0]['shape'][1]
# 讀取測試資料，並設(shè)置於解譯器中
frame = cv2.imread(' test.jpg’)
frame_rgb = cv2.cvtColor(frame, cv2.COLOR_BGR2RGB)
frame_resized = cv2.resize(frame_rgb, (width, height))
input_data = np.expand_dims(frame_resized, axis=0)
interpreter.set_tensor(input_details[0]['index'], input_data)
# 進(jìn)行推理
interpreter.invoke()
# 取得輸出資料
detection_boxes = interpreter.get_tensor(output_details[0]['index']) # 輸出位置資訊
detection_classes = interpreter.get_tensor(output_details[1]['index']) # 輸出類別資訊
detection_scores = interpreter.get_tensor(output_details[2]['index']) # 輸出分?jǐn)?shù)資訊
num_boxes = interpreter.get_tensor(output_details[3]['index'])
# 標(biāo)示物件
for i in range(10):
if detection_scores[0, i] > .5: # 預(yù)測值大於 0.5則顯示
x = detection_boxes[0, i, [1, 3]] * frame_rgb.shape[1]
y = detection_boxes[0, i, [0, 2]] * frame_rgb.shape[0]
class_id = detection_classes[0, i]
cv2.rectangle(frame_rgb, (x[0], y[0]), (x[1], y[1]), (0, 255, 0), 2)
cv2.imshow('TOTORO',frame_rgb)
cv2.waitKey(0)
cv2.destroyAllWindows()
?
?(2) 於 NXP i.MX8M Plus 實(shí)作 Object Detection 範(fàn)例實(shí)現(xiàn) :?
開啟 NXP i.MX8M Plus 開發(fā)板後，即可將 模組(mobilenetssd_totoro_uint8.tflite)、測試圖檔(test.jpg)、程式碼(app.py) 傳送至開發(fā)板中。
# 利用網(wǎng)路將檔案傳至開發(fā)板中
$ scp mobilenetssd_totoro_uint8.tflite root@xx.xx.xx.xx:~
$ scp test.jpg root@xx.xx.xx.xx:~
$ scp app.py root@xx.xx.xx.xx:~
接上螢?zāi)唬\(yùn)行物件識別 DEMO。
$ python3 app.py
如下圖所示，成功檢測出豆豆龍(物件) !! 在 i.MX8M Plus 的 NPU 處理器，推理時間(Inference Time) 約 9 ms。
?
三.? 結(jié)語
本文主要目的是推廣 Colab 的實(shí)用性為主，其用意是希望讀者可以將此系列博文當(dāng)作一套工具書來查閱，來達(dá)到快速應(yīng)用之目的。本文介紹了如何利用 Colab 與遷移學(xué)習(xí)的方式來客製化屬於自己的 AI 模型，那本篇是以豆豆龍作呈現(xiàn)，後續(xù)讀者若是想創(chuàng)造不同的物件識別目的時，僅須要更換訓(xùn)練的資料庫來源即可，像是識別人臉或是手部皆可以這種方式實(shí)現(xiàn) !! 筆者這麼推崇 Colab 作為機(jī)器學(xué)的入門必學(xué)項(xiàng)目，其理由是 Colab 不須花費(fèi)自身電腦資源之外，更看中的是結(jié)合 Google Drive 的這項(xiàng)應(yīng)用，每當(dāng)建立一套筆記本或是新的應(yīng)用時，就能自動儲存至該使用者帳戶中，實(shí)為方便 !! 利用這項(xiàng)特點(diǎn)，不斷累積新的技術(shù)就能打造自身的 AI 學(xué)習(xí)庫了!!
?
四.??參考文件
[1] 官方文件 - Colaboratory 官網(wǎng)
[2] 第三方文件 -鳥哥的首頁
如有任何相關(guān)?Colab?技術(shù)問題，歡迎至博文底下留言提問?!!
接下來還會分享更多 Colab?的技術(shù)文章?!!敬請期待?【ATU Book-i.MX8 系列 - Colab】?!!
?
參考來源