首页 > 其他分享 >LabVIEW深度学习

LabVIEW深度学习

时间：2024-04-03 09:32:04浏览次数：26  
标签：learning -- deep 学习 LabVIEW train https 深度 tf

目录


本文采用tensorflow开源的object detection api部署深度学习pb文件。
用LabVIEW2020自带的deep learning工具进行检测。
主要工作量在于object detection api的部署，主要参考《 深度学习图像识别技术：基于TensorFlow Object Detection API和OpenVINO™ 工具套件》
环境：

  • window10
  • anaconda3(64bit)
  • python 3.6
  • vscode(编辑平台，可选)
  • labview2020
    硬件：
    1660Ti 6G

一、配置环境

  • 硬件选型(显卡)
  • 驱动软件版本选择和安装(显卡驱动)
  • python版本选择和安装(用anaconda安装，本文python 3.6)
  • TensorFlow Obejct Detection API版本选择和安装
  • 依赖的全部软件和工具版本和安装
软件名称用途
NVIDIA显卡驱动TnesorFlow GPU版本依赖的显卡驱动软件
Anaconda管理Python软件包和环境的工具
PythonTensorFlow依赖的程序开发语言
TensorFlowGoogle开源的机器学习库
TensorFlow Object Detection API深度学习目标检测算法的软件框架

1.1、显卡选择

显卡选择建议参考链接：
https://timdettmers.com/2019/04/03/which-gpu-for-deep-learning/
本文使用1660Ti
入门级别参考：GeForce GTX 1050/1060/1070

1.2、下载显卡驱动

驱动下载链接：
https://www.nvidia.com/Download/index.aspx?lang=en-us

  • 根据所用显卡下载驱动，本文使用1660Ti，选择的驱动如下：
    在这里插入图片描述
  • Version保证大于410.x，安装可以选项可以全部默认在这里插入图片描述 - 确认安装完成在这里插入图片描述

1.3、下载并安装Anaconda

国内镜像下载链接：
https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/
本文使用2019.07(64bit)版本：
在这里插入图片描述

  • 注意勾选"Add Anaconda to my PATH environment variable"
    在这里插入图片描述

1.4、配置Anaconda软件包下载服务器

在默认路径C:\Users\Administrator里有.condar文件，修改为：

show_channel_urls:true
channel_alias:http://mirrors.tuna.tsinghua.edu.cn/anaconda
default_channels:
 - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main
 - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free
 - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/r
 - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/pro
 - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/msys2
custom channels:
 conda-forge: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
 msys2:https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
 bioconda: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
 menpo: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
 pytorch: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
 simpleitk:https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloudssl 
verify:true

1.5、配置虚拟环境tf_gpu

打开anaconda→选中"Environment"→点击"create"→Name修改为"tf_gpu"，python选中"3.6"
在这里插入图片描述
打开Anaconda如果一直停留在初始化的界面，可以通过以下方法解决
① 在路径：C:\ProgramData\Anaconda3\Lib\site-packages\anaconda_navigator\api中，找到conda_api.py，搜索yaml.load，修改为yaml.safeload
在这里插入图片描述

② 重启电脑后，再打开就能正常打开了。
常用的一些conda指令可以参考以下网站：
https://docs.conda.io/projects/conda/en/latest/user-guide/cheatsheet.html
本文常用的有：

  1. conda install：安装当前python环境对应的工具包
    若安装的Python软件只依赖Python软件包，则遵循官方推荐，使用pip install安装，例如安装opencv-python；若安装的Python软件不仅依赖Python软件包，还依赖非Python软件包，则使用conda install，例如安装tensorflow-gpu，简单方便。
  2. conda activate：激活指定的虚拟环境，例如conda activate tf_gpu
  3. conda info –envs(cmd)：可以查看当前conda的所有环境，带有星号的是当前激活的环境

1.6、安装vscode

vscode仅用修改对应的代码行，不作调试要求，相当于文本编辑软件，可以更换。
下载链接：
https://code.visualstudio.com/

1.7、安装tensorflow

1、win+R→输入"cmd"后，执行
2、命令行中输入后回车，等待安装完成

conda activate tf_gpu
conda install tensorflow-gpu=1.13.1

3、命令行中，输入"python"后回车，后再输入"import tensorflow as tf"，显示如下信息，即安装完整
在这里插入图片描述

1.8、下载安装Git

下载Git，直接下载最新版本的Git就行，下载链接：
https://git-scm.com/

1.9、安装TensorFlow Object Detection API框架

TensorFlow Object Detection API是一个在TensorFlow基础上开发出来的用于计算机视觉领域实现在图像中检测并定位多个目标物体的软件框架。
1、建立文件夹目录结构，本文源路径为"D:\deep_learning\src_code\tf_train"
在这里插入图片描述

  • addons文件夹：用于存放附加组件或其他软件工具
  • workspaces文件夹：用于存放每一个具体项目的文件
    2、在tf_train空白地方右键→选中"open Git Bash here"
    在这里插入图片描述
    3、在Git Bash中输入以下指令
git clone -b r1.13.0 https://github.com/tensorflow/models

如果报Git SSL错误的话，则需要先关闭SSL校验
输入

git config --global http.sslverify false

在这里插入图片描述
如果Git太慢，可以从云盘下载
https://pan.baidu.com/s/1klGCW0ckE2BQvY4cRscRYA#list/path=%2F
提取码: h9m3
4、下载完成后，路径变为：
在这里插入图片描述

1.10、安装依赖的python软件包

软件包名称用途
matplotlib绘制图表
pillow图像处理
lxml处理XML和HTML
contextlib2with语句上下文管理
cython让Python脚本支持C语言扩展的编译器
opencv-pythonOpenCV的python库
1、win+R→输入"cmd"后，执行
2、命令行中输入后回车，等待安装完成
conda activate tf_gpu

3、再输入

pip install matplotlib pillow lxml contextlib2 cython opencv-python

如果碰到个别的出错，可以单独执行。

1.11、配置环境变量

为了让Python可以找到TensorFlow Object Detection API依赖的软件模块，需要配置环境变量，本文添加以下三个路径：

D:\deep_learning\src_code\tf_train\models\research
D:\deep_learning\src_code\tf_train\models\research\slim
D:\deep_learning\src_code\tf_train\models\research\object_detection

1、打开"此电脑"→右键空白处，点击"属性"
在这里插入图片描述
2、点击高级系统设置
在这里插入图片描述
3、点击环境变量
在这里插入图片描述
4、添加对应的环境变量
在这里插入图片描述

1.12、安装COCO API

1、在addons文件夹中点击鼠标右键，选中Git Bash，在Git Bash中输入

git clone https://github.com/philferriere/cocoapi

下载完成后，文件目录变为
在这里插入图片描述
2、在命令行中激活tf_gpu环境→输入后执行，命令行进入PythonAPI

cd /d D:\deep_learning\src_code\tf_train\addons\cocoapi\PythonAPI

3、再执行

python setup.py install

1.13、编译proto文件

1、进入"D:\deep_learning\src_code\tf_train\models\research"路径
在这里插入图片描述
2、在文件路径中输入cmd，弹出命令行
在这里插入图片描述
3、激活tf_gpu环境后，输入以下命令执行后，完成proto文件的编译

for /f gi in('dir /b object detection\protos\*.proto')do protoc object detection\protos\&i--python out=.

1.14、测试框架安装

1、从https://github.com/tensorflow/models/blob/master/research/object_detection/g3doc/tf1_detection_zoo.md下载ssd_inception_v2_coco
在这里插入图片描述

2、下载完成后，解压到路径"D:\deep_learning\src_code\tf_train\models\research\object_detection"中
3、注释掉26行"import matplotlib; matplotlib.use(‘Agg’)"
在这里插入图片描述
4、在命令行中激活tf_gpu环境，然后执行object_detection_example_1.py

5、执行结果如下，说明检测环境配置完成。
在这里插入图片描述

1.15、安装LabelImg

激活tf_gpu，运行pip install labelimg

二、部署流程

1.1、 选择预训练库

预训练网址：
models/research/object_detection/g3doc/tf1_detection_zoo.md at master • tensorflow/models (github.com)

本文选用ssd_mobilenet_v2_coco。在这里插入图片描述

其中模型名称含义：
ssd_mobilenet_v2_coco：该模型使用了SSD（Single Shot Multibox Detector）目标检测算法，mobilenet特征提取网络，在COCO数据集上进行了训练。

  • 速度（Speed）
    是指该模型在NVIDIA GeForce GTX TITAN X显卡上处理600×600分辨率图像（包含预处理和后处理）的速度，这个数值可以让大家对模型运行的相对快慢有个感性的认识。例如，ssd_resnet_50_fpn_coco的运行速度就比ssd_mobilenet_v1_coco要慢。
  • 平均精度均值（mAP）
    是指该模型识别多类物体时，每类物体识别精度（AP）的平均值。mAP值越高，表明该模型识别精度越高。例如，ssd_resnet_50_fpn_coco的识别精度就比ssd_mobilenet_v1_coco要高。
  • 输出（outputs）
    有两种类型：边界框（boxes）和掩膜（Masks）
    下载完的模型，放到pre_trained_model文件夹里解压
    在这里插入图片描述

1.2、标注图片

1、准备好对应的图集。
2、用labelImg标注图片，并建立对应文件夹，包括images里面的eval，test，train，其中train里面包含图片和对应标注后以图片命名的xml文件，test是部分标注后的图片，eval是只有部分图片。
在这里插入图片描述

labelImg常用功能有：

  • w：启用矩形框
  • D：下一张
  • ctrl+s：保存
  • 打开在labelImg路径下的data文件夹predefined_classes.txt文件，将里面的预定义标签修改为对应的类别，本文是cat和dog。

1.3、修改pbtxt文件

修改"D:\deep_learning\src_code\tf_train\workspaces\cats_dogs\annotations"路径中的label_map.pbtxt文件。

item {
  id: 1
  name: "cat"
}
item {
  id: 2
  name: "dog"
}

1.4、 Xml转CSV文件

执行xml_to_csv.py

  • Train标注数据转csv：
Python xml_to_csv.py -i D:\deep_learning\src_code\tf_train\workspaces\cats_dogs\images\train -o D:\deep_learning\src_code\tf_train\workspaces\cats_dogs\annotations\train_labels.csv
  • Eval标注数据转csv：
Python xml_to_csv.py -i D:\deep_learning\src_code\tf_train\workspaces\cats_dogs\images\eval-o D:\deep_learning\src_code\tf_train\workspaces\cats_dogs\annotations\eval_labels.csv

1.5、CSV转tfrecord文件

  • 修改generate_tfrecord.py：
# 以猫狗为例，label0=cat，label1=dog，在pbtxt文件中也是
flags.DEFINE_string('label0','','Name of class[0] label')
flags.DEFINE_string('label1','','Name of class[1] label')
flags.DEFINE_string('img_path','','Name of class[1] label')
FLAGS = flags.FLAGS
# TO-DO replace this with label map
def class_text_to_int(row_label):
    if row_label == "cat":     # 需改动为自己的分类
        return 1
    elif row_label == "dog":
        return 2
    else:
        None
  • 执行csv转tfrecord(train)
Python generate_tfrecord.py --label0=cat --label1=dog --csv_input= D:\deep_learning\src_code\tf_train\workspaces\cats_dogs\annotations\train_labels.csv --output_path= D:\deep_learning\src_code\tf_train\workspaces\cats_dogs\annotations\train.tfrecord --img_path= D:\deep_learning\src_code\tf_train\workspaces\cats_dogs\images\train
  • 执行csv转tfrecord(eval)
Python generate_tfrecord.py --label0=cat --label1=dog --csv_input= D:\deep_learning\src_code\tf_train\workspaces\cats_dogs\annotations\eval_labels.csv --output_path= D:\deep_learning\src_code\tf_train\workspaces\cats_dogs\annotations\eval.tfrecord --img_path= D:\deep_learning\src_code\tf_train\workspaces\cats_dogs\images\eval

1.6、修改config文件

路径在models\research\object_detection\samples\configs里，把对应的ssd_inception_v2_coco_config文件复制到training文件夹下。
在这里插入图片描述

① 修改num_classes:2，猫狗只有两类：
在这里插入图片描述

② 修改batch_size:24，可根据显存和图像大小调整，越大越耗费，速度越快，太大会报错
在这里插入图片描述
③ 把fine_tune_checkpoint删除(可选)
④ Num_step:2000，根据loss值调整
⑤ Input_path配置为train.tfrecord路径
⑥ Label_map_path改为label_map.pbtxt路径
⑦ Input_path改为eval.tfrecord路径
⑧ Label_map_path改为label_map.pbtxt路径
在这里插入图片描述

1.7、训练

执行train.py脚本：

Python train.py --logtostderr --train_dir=training\ --pipeline_config_path=training\ssd_inception_v2_coco.config

1.8、Tensorboard观察训练过程

在cat_and_dog文件夹中输入cmd，输入

Tensorboard --logdir=training\
  • Training文件夹里面是包含所有检查点文件的文件夹
  • 如果网址打开不了，要把网址改为localhost

1.9、评估模型

Num_example要改为对应评估的图像个数
Max_evals验证循环次数
在这里插入图片描述

修改tf_train\models\research\object_detection\utils\object_detection_evaluation.py，unicode改为str
在这里插入图片描述
把tf_train\models\research\object_detection\legacy\eval.py文件拷到tf_train\workspaces\cats_dogs中，运行脚本

Python eval.py --logtostderr --checkpoint_dir=training --eval_dir=evaluation --pipeline_config_path=training\ssd_inception_v2_coco.config

1.10、检查点文件转pb

要注意ckpt后面的数值，需要在training文件夹里面存在一样名称的文件。
这个就是LabVIEW最终调用的PB文件。

Python export_inference_graph.py --input_type image_tensor --pipeline_config_path training\ssd_inception_v2_coco.config --trained_checkpoint_prefix training\model.ckpt-2000 --output_directory trained_frozen_models\cats_dogs_model

1.11、识别

① 修改模型路径：

# 第二步，导入模型ssd_inception_v2_coco_2018_01_28到内存
# ssd_inception_v2_coco_2018_01_28文件夹应与本程序放在models\research\object_detection文件夹下
# -----------------------------------------------------------
#MODEL_NAME = 'ssd_inception_v2_coco_2018_01_28'
MODEL_NAME='pre_trained_model/ssd_inception_v2_coco'
PATH_TO_FROZEN_GRAPH = MODEL_NAME + '/frozen_inference_graph.pb'
PATH_TO_LABELS = os.path.join('annotations', 'label_map.pbtxt')

② 修改图片路径：

# ## 从单张图片中检测对象子程序
# ## 图片名称：image1.jpg, image2.jpg,存放在
# ## models\research\object_detection\test_images文件夹下
#PATH_TO_IMAGES_DIR = 'test_images'
PATH_TO_IMAGES_DIR='images/eval'
TEST_IMAGE_PATHS = [os.path.join(PATH_TO_IMAGES_DIR, 'dog.{0:d}.jpg'.format(i)) for i in range(1,3)]

③ 输入命令行进行识别：python object_detection_example_2.py

三、快捷训练

以上路径生成和训练过程可以快捷完成
1、在激活tf_gpu环境后
2、快捷生成路径：

Python create_directories.py -n cats_dogs

3、快捷训练

python one_command_train.py --step 500 --batch_size 12

标签：learning,--,deep,学习,LabVIEW,train,https,深度,tf
From： https://blog.csdn.net/weixin_41303851/article/details/137262122

相关文章

  • 第十一篇【传奇开心果系列】Python自动化办公库技术点案例示例：深度解读Python自动化操
    传奇开心果博文系列系列博文目录Python自动化办公库技术点案例示例系列博文目录前言一、重要作用二、Python操作PDF文件转Word文档介绍三、提高效率示例代码四、保持一致性示例代码五、精确度与质量控制示例代码六、适应复杂需求示例代码七、可扩展性与与集成性示例代码......
  • 【数据库】MPP数据库的强大及适用场景（附学习笔记）
     MPP数据库基本介绍：MPP数据库，即MassivelyParallelProcessing数据库，是一种专为处理大规模数据而设计的数据库系统。其核心原理是将数据分布式存储在多个节点上，并利用并行处理技术实现高性能和可伸缩性。这种数据库系统通常用于需要处理大量数据和进行复杂分析的场景，如数据......
  • vue学习笔记
    学习vue之前需要掌握的：ES6语法规范ES6模块化原型、原型链数组常用方法axiospromise==============1.所被Vue管理的函数，最好写成普通函数，这样this的指向才是vm或组件实例对象。2.所有不被Vue所管理的函数（定时器的回调函数、ajax的回调函数等、Promise的回调函数），最好写成箭头函数， ......
  • vue学习笔记2
    学习vue之前需要掌握的：ES6语法规范ES6模块化原型、原型链数组常用方法axiospromise==============1.所被Vue管理的函数，最好写成普通函数，这样this的指向才是vm或组件实例对象。2.所有不被Vue所管理的函数（定时器的回调函数、ajax的回调函数等、Promise的回调函数），最好写成箭头函数， ......
  • Machine Learning机器学习之文本分析的知识图谱(详细讲解)
    目录前言历史：概念思想：知识图谱主要发展历程：知识图谱重要组成部份和特征：知识图谱案列（关于学院、课程、学生）：一、知识图谱的存储 二、知识图谱的构建过程 数据层：模式层（构建模式与概念本体设计）：三、知识图谱的分析四、知识图谱应用 基于知识图谱应用于电商领域:1.......
  • Machine Learning机器学习之文本分析的词法分析、句法分析、语义分析(详细讲解)
    目录前言词法分析：词义消歧：句法分析：语义分析：文本分析应用1、文本分类：设计过程：代码实现：完整代码： 2、情感分析：总结博主介绍：✌专注于前后端、机器学习、人工智能应用领域开发的优质创作者、秉着互联网精神开源贡献精神，答疑解惑、坚持优质作品共享。本人是掘金/腾讯......
  • 0基础学习Mybatis系列数据库操作框架——增删改操作
    大纲新增Mapper配置代码Mapper接口文件应用删除简单方案Mapper配置代码高级方案Mapper配置代码Mapper接口文件应用完整代码修改Mapper配置代码Mapper接口文件应用在《0基础学习Mybatis系列数据库操作框架——目录结构》一文中，我们已经搭建了查询操作的框架。......
  • ClickHouse深度解析 一般有用 看1 速
    一、什么是ClickHouse？ClickHouse由俄罗斯第一大搜索引擎Yandex于2016年6月发布,开发语言为C++,ClickHouse是一个面向联机分析处理(OLAP)的开源的面向列式存储的DBMS，简称CK,与Hadoop、Spark这些巨无霸组件相比，ClickHouse很轻量级,查询性能非常好，使用之后会被它的性能折服，非常值......
  • javaweb学习（day11-监听器Listener&&过滤器Filter)
    一、监听器Listener1 Listener介绍Listener监听器它是JavaWeb的三大组件之一。JavaWeb的三大组件分别是：Servlet程序、Listener监听器、Filter过滤器Listener是JavaEE的规范，就是接口监听器的作用是，监听某种变化(一般就是对象创建/销毁,属性变化),触发对应方......
  • gdscript学习笔记3-标识符
    任何仅限于字母字符(a到z和A到Z),数字(0到9)和_的字符串都可以作为标识符.此外,标识符不能以数字开头.标识符区分大小写(foo和FOO是不同的).extendsNode2Dvarabc="aaaa"varAbc="bbb"var_abc="ccc"varabc222="ddd"#var222abc="eee"......

赞助商

阅读排行

网站主页关于我们联系我们网站地图

本网站内容转载自其他媒体，侵权联系[admin##ips99.com]。

Copyright © 2020-2023 IPS99 版权所有 IPS99