使用Tensorflow object detection訓練maskrcnn，並使用opencv4.0集合c++調用訓練模型

前言：opencv4.0可以直接調用TensorFlow Object Detection API訓練的maskrcnn模型。

我是在Windows上安裝的，首先安裝了cuda9以及cudnn7；然後裝了anaconda3.5，Python3.6.7。
cuda9 百度雲鏈接：https://pan.baidu.com/s/1xauBu0I8OuPLyTqlGWSGcw，密碼：biwv
cuDNN7 百度雲鏈接：https://pan.baidu.com/s/1hfqLpQgTJOxiCD1Rze9peQ，密碼：6zlv
anaconda3.5 百度雲鏈接：https://pan.baidu.com/s/1Zfyp8t_OWHimHC8_uu1jbg ，密碼：q4en

*********************** 上述軟件以及Python安裝教程可自行百度 ***********************

安裝 TensorFlow Object Detection API參考鏈接：https://blog.csdn.net/weixin_42499236/article/details/83823779

一、數據準備

如果你數據的標籤是用labelme手動標註的，那麼訓練過程可以完全按照：https://www.jianshu.com/p/27e4dc070761 來進行。

如果你數據的標籤不是標註的，而是像我這樣（或者可以轉化成我這樣），比如一張原圖裏有五個目標，標籤是五張對應於五個類別的.png格式的二值圖（每張.png圖像內只有一個類別，且目標像素爲1，背景像素爲0；且每個.png圖像以“原圖名_類別名_原圖名”方式命名，參考下圖），那麼我們可以用我寫的代碼直接將數據轉換爲訓練所需的train.record和val.record。代碼鏈接：https://download.csdn.net/download/yu734390853/11457462 。
原圖：（RGB彩色圖，其中圖片名爲2-11-1）

原圖對應的標籤圖像：（原圖上包含五個類別，因此原圖對應五個標籤圖像二值圖；第一張標籤圖像名爲2-11-1_CTV_2-11-1，其中2-11-1爲原圖像名，CTV表示類別，以此類推）

假設你的訓練集原圖的路徑爲 path_to_train_dir，訓練集對應的圖像標籤路徑爲 path_to_train_png_dir，在終端先後執行如下指令：

python3 pngto_tf_record.py \
    --images_dir=path_to_train_dir \    
    --label_map_path=path_to_label_map.pbtxt \
    --output_path=path_to_train.record

其中，以上所有路徑都支持相對路徑。output_path 爲輸出的 train.record 以及 val.record 的路徑，label_map_path 是所有需要檢測的類名及類標號的配置文件，該文件的後綴名爲 .pbtxt，寫法很簡單，假如你要檢測 ’person’ ， ‘car’ ，‘bicycle’ 等類目標，則寫入如下內容：

***************到此，訓練數據準備完畢，進入訓練時間。

二、訓練maskrcnn模型

可完全參考：https://www.jianshu.com/p/27e4dc070761

三、模型轉換

1.將Tensorflow訓練出來的.ckpt模型轉化爲.pb文件，在 TensorFlow models/research/object_detection 目錄下的終端執行：

$ python3 export_inference_graph.py --input_type image_tensor  
  --pipeline_config_path /home/.../training/pipeline.config
  --trained_checkpoint_prefix /home/.../training/model.ckpt-200000
  --output_directory /home/.../training/output_inference_graph

執行上述代碼之後會在 /home/…/training 文件夾內看到新的文件夾 output_inference_graph，裏面存儲着訓練好的最終模型，如直接調用的用於推斷的文件：frozen_inference_graph.pb。其中命令中 model.ckpt-200000 表示訓練 200000 生成的模型，實際執行上述代碼時要修改爲自己訓練多少次後生成的模型。其它路徑和文件（夾）名稱也由自己任意指定。

2.生成.pbtxt文本圖文件，告訴OpenCV如何加載模型權重。在 TensorFlow models/research/object_detection 目錄下的終端執行：

python3  tf_text_graph_mask_rcnn.py --input /path/to/model.pb --config /path/to/example.config --output /path/to/graph.pbtxt

就會在相應目錄下生成graph.pbtxt