🕵️‍♂️Tensorflow Object Detection API ile Obje Bulma

• Script dosyasını buraya tıklayarak indirmeli ve gerekli dizine alttaki komutla koymalıyız
• Komutları Anaconda Prompt üzerinden tensorflow ortamını aktif ederek uygulamayı unutmayın.

• Alttaki komutla açılan dizinde .pbtxt uzantılı etiket haritası dosyasısı oluşturun
• Örnek dosya yapısı komutların altındadır.

• cat ve dog 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 dizindeki xml_path_regulator.py scripti aracılığıyla xml ve resimlerde yol sorunları düzeltilir, veriler yeniden adlandırılır.
• scripts/preprocessing dizindeki xml_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 şekilde label_map.pbtxt adlı etiket haritası oluşturulur
• Oluşturulan csv, etiket haritası ve resim verileri scripts/preprocessing dizindeki generate_tfrecord.py scripti aracılığıyla veriler .record uzantılı kayıtlara dönüştürülür.
• Seçilen modele özgü yapılandırma dosyası indirilir.
• Yapılandırma dosyası olan *.config dosyasındaki PATH_TO_CONFIGURED olarak işaretlenen alanlar, num_classes, num_examples ve batch_size değerleri güncellenir.

  • num_examples eval dizindeki resim sayısıdır (toplam class sayısı değil)

Eğer XML scriptini kullandıysanız bu kontrolü yapmanıza gerek yoktur, XML scripti bunu zaten yapmaktadır.

Komutları Anaconda Prompt üzerinden tensorflow ortamını aktif ederek uygulamayı unutmayın.

• class hücresiinin bir altındaki hücreyi seçin
• ctrl + 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 ve xml dosyasını silin

Komutları Anaconda Prompt üzerinden tensorflow ortamını aktif ederek uygulamayı unutmayın.

• Tensorflow'un resmi açıklaması için buraya tıklayabilirisin

• Tensorflow önceden eğitilmiş modelleri indirmek için buraya tıklayabilirsin
• .tar.gz uzantılı olacağı için winrar ya da 7zip gibi ek uygulamalarla buraya çıkart demen gerekmekte

  • Klasör'e çıkart değil buraya çıkart diyeceksiniz.

• <model_ismi> Seçip, indirdiğiniz .tar.gz uzantılı dosyanın adı

  • TAB 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

• <model_ismi> Seçip, indirdiğiniz .tar.gz uzantılı dosyanın adı

  • TAB 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

Modeli önerilen dosya olan model_main.py ile eğitmek için buraya bakmalısın.

Eskimiş olan bir eğitim kodudur, model_main.py kod dosyası tensorflow tarafından önerilir.

• <yapılandırma_dosyası> Modelimizin yapılandırma dosyasının tam adı

  • training klasörüne attığımız yapılandırma dosyaları
  • Örn: ssd_inception_v2_coco.config

• 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.

Açıklama için buraya bakabilirsin.

• model_main.py eğitim için önerilen dosyadır
• Varsayılan olarak ekrana raporlama yapmaz, yapmasını isterseniz buraya bakabilirsiniz

• 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. . . .

Çıktıyı görüntülemek için verilen url'i tarayıcına kopyalaman yeterlidir.

• <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