利用TensorFlow对车辆图像分类

参考http://lijiancheng0614.github.io/2017/06/29/2017_06_29_TensorFlow-Slim-image-classification/

1.准备

2.训练

3.验证

参考 https://github.com/tensorflow/models/tree/master/research/slim

---

准备

1.安装TensorFlow

参考 https://www.tensorflow.org/install/

如在Ubuntu下安装TensorFlow with GPU support, python 2.7版本

【1】wget https://storage.googleapis.com/tensorflow/linux/gpu/tensorflow_gpu-1.2.0-cp27-none-linux_x86_64.whl

【2】pip install tensorflow_gpu-1.2.0-cp27-none-linux_x86_64.whl

2.数据准备

选择斯坦福公开的车辆数据集：http://ai.stanford.edu/~jkrause/cars/car_dataset.html

提取训练集和测试集的标签，在list_train.txt和list_val.txt文件中表示图片路径与标签的关系

3.生成TFRecord数据

利用convert_FTrecord.py生成数据

4.（可选）下载模型

官方提供了不少预训练模型，这里以Inception-ResNet-v2以例。

---

训练

1.finetune 训练

训练时执行以下命令即可：

python train_image_classifier.py \

--train_dir=train_logs \      

--dataset_dir=../../data/train \

--num_samples=8144 \

--num_classes=196 \

--labels_to_names_path=../../data/labels.txt \

--model_name=inception_resnet_v2 \

--checkpoint_path=../../checkpoints/inception_resnet_v2_2016_08_30.ckpt \

--checkpoint_exclude_scopes=InceptionResnetV2/Logits,InceptionResnetV2/AuxLogits \

--trainable_scopes=InceptionResnetV2/Logits,InceptionResnetV2/AuxLogit

数据集和标签路径根据自己的路径进行修改。

2，可视化log

可一边训练一边可视化训练的log，可看到Loss趋势。

tensorboard --logdir train_logs/

---

验证

1.验证时执行以下命令即可：

python eval_image_classifier.py \

    --checkpoint_path=train_logs \

    --eval_dir=eval_logs \

    --dataset_dir=../../data/val \

    --num_samples=8044\

    --num_classes=196 \

    --model_name=inception_resnet_v2

同样，根据自身修改测试集路径和checkpoint的路径。