【个人笔记】迁移学习：tensorflow利用inception_v3模型和retrain实现图像分类训练

【个人笔记】迁移学习：tensorflow利用inception_v3模型和retrain实现图像分类训练

数据集

这里以Visual Geometry Group Home Page上的动物分类图片为例。
在下载的7000张动物图片中手动挑选了五种分类，分别创建了五个文件夹装入，剩下的6000余张照片丢弃。

注意，文件夹及其内图片的名称全小写，绝对路径名中不能包含中文

文件夹中只需包含图片文件，损坏的图片文件和mat类型的文件都需要去除，可以手动或者利用程序自动去除

inception_v3模型下载

http://download.tensorflow.org/models/image/imagenet/inception-2015-12-05.tgz

无需解压

github tensorflow及retrain文件下载

从github上克隆tensorflow的源码和retraining的源码到本地并进行解压缩


在~hub-master\examples\image_retraining中找到retrain.py文件，待会需要定位文件位置

创建文件夹框架

新建一个文件夹，包含如下几个文件（夹）

bottleneck文件夹为空
test_images中为检测模型效果的图片文件（在数据集代表的对象范围内），不能从数据集中抽取，需要从网上下载。

data文件夹中包含一个包含images子文件夹的train文件夹，images中放入数据集图片文件夹

下一步，新建retrain.bat批处理文件，内容如下：

下图为即将开始训练时后的文件布局

运行retrain.bat开始训练。到这一步为止会出现一些小错误，比如无法使用指定的本地inception_v3模型，GPU或者tensorflow环境没有配置好等，在百度或者google上全部可以搜索解决

训练结果

通过训练后可以看到在文件夹中产生了output_graph.pb，output_labels等文件

bottleneck文件夹中会产生对应图片分类的文件夹

打开后可以看到每个图片对应一个的txt文件，这是每一张图片在inception_v3模型中除去softmax层的固化模型中计算得到的特征数据，不用理会

output_labels中为标签数据，不用理会

调用模型进行分类检测

调用训练好的.pb文件和output_labels文件，输入准备好的检测文件的路径，检测成果
代码源自学习的网络教程

import tensorflow as tf
import os
import numpy as np
from PIL import Image
import matplotlib.pyplot as plt
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'

lines = tf.gfile.GFile(r'E:\Python\Tensorflow\retrain\output_labels.txt').readlines()
uid_to_human = {}
for uid, line in enumerate(lines):
    line = line.strip('\n')
    uid_to_human[uid] = line


def id_to_string(node_id):
    if node_id not in uid_to_human:
        return ''
    return uid_to_human[node_id]

with tf.gfile.FastGFile(r'E:\Python\Tensorflow\retrain\output_graph.pb', 'rb') as f:
    graph_def = tf.GraphDef()
    graph_def.ParseFromString(f.read())
    tf.import_graph_def(graph_def, name='')


with tf.Session() as sess:
    softmax_tensor = sess.graph.get_tensor_by_name('final_result:0')
    for root, dirs, files in os.walk(r'E:\Python\Tensorflow\retrain\test_images'):
        for file in files:
            image_data = tf.gfile.FastGFile(os.path.join(root, file), 'rb').read()
            predictions = sess.run(softmax_tensor, {'DecodeJpeg/contents:0': image_data}) 
            predictions = np.squeeze(predictions)  

            image_path = os.path.join(root, file)
            print(image_path)
            img = Image.open(image_path)
            plt.imshow(img)
            plt.axis('off')
            plt.show()

            top_k = predictions.argsort()[::-1]
            print(top_k)
            for node_id in top_k:     
                human_string = id_to_string(node_id)
                score = predictions[node_id]
                print('%s (score = %.5f)' % (human_string, score))
            print()

检测效果感人，模型训练成功

经验+5