图像识别之麻将识别源码（ 三 ）
未经过允许不得转载，转载请联系我，如何联系，点我头像。
连载已经完结,
百度网盘测试APP下载地址：
链接：https://pan.baidu.com/s/1grwUcLkI9i3OABsLtB5h3Q
提取码：pkbl
先见效果图，另外我已经上传到了抖音视频，想看NB效果，可以点击链接直接观看：
本人从事机器学习有一些时间，感觉与一般做APP应用也没有啥差别，现在每天就是准备样本 ，调整参数，训练，验证结果。可能是我还没有达到哪些教授的水平能设计神经网络吧，感觉也就是一般马龙该做的杂七杂八事情。另外我更加关注移动设备AI的实现与效果，体验一样重要，识别的速度要快！
接下来的博客开始记录我研究过程，过程是：采集样本->标注->训练->测试。
上一期讲了如何进行标注，本期将开始训练。
本次使用的是谷歌云平台训练，实际上就是一个ubuntu 系统，不过现在有免费的300美金使用。部署好服务器后。将训练的文件上传到云服务器。需要的文件有这些。
然后执行训练
python object_detection/model_main.py --model_dir=/home/softboyes/digeai/majiang/training --pipeline_config_path=/home/softboyes/digeai/majiang/ssd_mobilenet_v1_pets.config
由于我使用的8cpu+20G内存 训练36小时训练了34k 步法。
通过tensorboard观察，loss效果不太理想打算训练到60k。
下载后导出模型：
python object_detection/export_inference_graph.py --input_type image_tensor --pipeline_config_path E:/AI_LAB/majiang/gitdata/ssd_mobilenet_v1_pets.config --trained_checkpoint_prefix E:/AI_LAB/majiang/gitdata/out/model.ckpt-24720 --output_directory E:/AI_LAB/majiang/gitdata/export2
导出后模型如下：并写下测试test.py
importosimportsysimporttarfileimportcv2importnumpyasnpimporttensorflowastfsys.path.append("..")fromobject_detection.utilsimportlabel_map_utilfromobject_detection.utilsimportvisualization_utilsasvis_util# Path to frozen detection graphCWD_PATH = os.getcwd()PATH_TO_CKPT = os.path.join(CWD_PATH,'frozen_inference_graph.pb')# List of the strings that is used to add correct label for each box.PATH_TO_LABELS = os.path.join(CWD_PATH,'labelmap.pbtxt')NUM_CLASSES =28detection_graph = tf.Graph()withdetection_graph.as_default(): od_graph_def = tf.GraphDef()withtf.gfile.GFile(PATH_TO_CKPT,'rb')asfid: serialized_graph = fid.read() od_graph_def.ParseFromString(serialized_graph) tf.import_graph_def(od_graph_def, name='')label_map = label_map_util.load_labelmap(PATH_TO_LABELS)categories = label_map_util.convert_label_map_to_categories(label_map, max_num_classes=NUM_CLASSES, use_display_name=True)category_index = label_map_util.create_category_index(categories)defload_image_into_numpy_array(image):(im_width, im_height) = image.sizereturnnp.array(image.getdata()).reshape( (im_height, im_width,3)).astype(np.uint8)withdetection_graph.as_default():withtf.Session(graph=detection_graph)assess: image_np = cv2.imread("test.jpg") cv2.imshow("input=", image_np) print(image_np.shape)# image_np == [1, None, None, 3]image_np_expanded = np.expand_dims(image_np, axis=0) image_tensor = detection_graph.get_tensor_by_name('image_tensor:0') boxes = detection_graph.get_tensor_by_name('detection_boxes:0') scores = detection_graph.get_tensor_by_name('detection_scores:0') classes = detection_graph.get_tensor_by_name('detection_classes:0') num_detections = detection_graph.get_tensor_by_name('num_detections:0')# Actual detection.(boxes, scores, classes, num_detections) = sess.run( [boxes, scores, classes, num_detections], feed_dict={image_tensor: image_np_expanded})# Visualization of the results of a detection.vis_util.visualize_boxes_and_labels_on_image_array( image_np, np.squeeze(boxes), np.squeeze(classes).astype(np.int32), np.squeeze(scores), category_index, use_normalized_coordinates=True, min_score_thresh=0.4, line_thickness=3) cv2.imshow('object detection', image_np) cv2.imwrite("run_result.png", image_np) cv2.waitKey(0) cv2.destroyAllWindows()sess.close()
测试模型，发现效果还算理想。接下来往安卓设备上面迁移。
迁移需要的问题： frozen_inference_graph.pb labelmap.pbtxt
拷贝到TensorFlow demo里面assert 文件夹。修改 DetectorActivity
修改后：
privatestaticfinalString TF_OD_API_MODEL_FILE ="file:///android_asset/frozen_inference_graph.pb";privatestaticfinalString TF_OD_API_LABELS_FILE ="file:///android_asset/majiang.txt";
然后用Android studio编译生成APK，然后安装到安卓手机。
下一章讲安卓手机效果与训练心得以及样本要求。
网友评论