Bismillah,
Jika pada artikel sebelumnya kita sudah mencoba untuk melakukan training object detection menggunakan tensorflow di cloud, pada kesempatan kali ini kita akan mencoba hasil dari training tersebut. Agar dapat digunakan model hasil training yang telah kita lakukan, satu step lagi yang harus dilakukan adalah dengan export ke Tensorflow graph proto.
Download Training Model
Download terlebih dahulu hasil training tersebut ke local menggunakan terminal menggunakan command gsutil.
gsutil -m cp -R gs://tf-plate-detection-ml/data .Fungsi dari perintah di atas adalah download folder data yang terdapat pada Google Cloud Storage pada current direktori, paramter “m” digunakan untuk multithreading sedangkan paramter “R” adalah karena yang kita copy adalah direktori. Pada bagian gs://tf-plate-detection-ml/data silakan disesuaikan dengan nama bucket yang Anda punya di Google Cloud Storage, jika kita perhatikan hasil download tersebut terdapat struktur file-file seperti ini
- model.ckpt-${CHECKPOINT_NUMBER}.data-00000-of-00001
- model.ckpt-${CHECKPOINT_NUMBER}.index
- model.ckpt-${CHECKPOINT_NUMBER}.meta
Misalkan seperti di bawah ini
data/model.ckpt-10005.data-00000-of-00001 data/model.ckpt-9266.meta data/model.ckpt-9840.index data/model.ckpt.data-00000-of-00001
data/model.ckpt-10005.index data/model.ckpt-9275.data-00000-of-00001 data/model.ckpt-9840.meta data/model.ckpt.index
data/model.ckpt-10005.meta data/model.ckpt-9275.index data/model.ckpt-9841.data-00000-of-00001 data/model.ckpt.meta
data/model.ckpt-9266.data-00000-of-00001 data/model.ckpt-9275.meta data/model.ckpt-9841.index
data/model.ckpt-9266.index data/model.ckpt-9840.data-00000-of-00001 data/model.ckpt-9841.meta
Export Training Model
Selanjutnya kita bisa melakukan export menggunakan perintah di bawah ini dari direktori tensorflow/models/research, tensorflow yang pada awal pertama kali kita download tetap akan digunakan terus karena disana banyak sekali tool yang akan kita manfaatkan ke depan.
# From tensorflow/models/research/
INPUT_TYPE=image_tensor
PIPELINE_CONFIG_PATH={path to pipeline config file}
TRAINED_CKPT_PREFIX={path to model.ckpt}
EXPORT_DIR={path to folder that will be used for export}
python object_detection/export_inference_graph.py \
--input_type=${INPUT_TYPE} \
--pipeline_config_path=${PIPELINE_CONFIG_PATH} \
--trained_checkpoint_prefix=${TRAINED_CKPT_PREFIX} \
--output_directory=${EXPORT_DIR}Jika ketika menjalankan perintah di atas terdapat error di bawah ini, silakan tambahkan satu baris perintah seperti ini export PYTHONPATH=$PYTHONPATH:<em>pwd</em>:<em>pwd</em>/slim
Traceback (most recent call last):
File "object_detection/export_inference_graph.py", line 102, in <module>
from object_detection import exporter
ModuleNotFoundError: No module named 'object_detection'Normalnya output perintah ketika export ke tensforflow graph proto ada sebagai berikut
...
Postprocessor/BatchMultiClassNonMaxSuppression/map/while/PadOrClipBoxList/sub_9 (1/1 flops)
Postprocessor/BatchMultiClassNonMaxSuppression/map/while/add (1/1 flops)
Postprocessor/BatchMultiClassNonMaxSuppression/map/while/add_1 (1/1 flops)
Postprocessor/BatchMultiClassNonMaxSuppression/ones/Less (1/1 flops)
Preprocessor/map/while/Less (1/1 flops)
Preprocessor/map/while/Less_1 (1/1 flops)
Preprocessor/map/while/add (1/1 flops)
Preprocessor/map/while/add_1 (1/1 flops)
======================End of Report==========================
WARNING:tensorflow:From /usr/local/lib/python3.6/site-packages/tensorflow/python/training/saver.py:1266: checkpoint_exists (from tensorflow.python.training.checkpoint_management) is deprecated and will be removed in a future version.
Instructions for updating:
Use standard file APIs to check for files with this prefix.
WARNING:tensorflow:From /usr/local/lib/python3.6/site-packages/tensorflow/python/tools/freeze_graph.py:232: convert_variables_to_constants (from tensorflow.python.framework.graph_util_impl) is deprecated and will be removed in a future version.
Instructions for updating:
Use tf.compat.v1.graph_util.convert_variables_to_constants
WARNING:tensorflow:From /usr/local/lib/python3.6/site-packages/tensorflow/python/framework/graph_util_impl.py:245: extract_sub_graph (from tensorflow.python.framework.graph_util_impl) is deprecated and will be removed in a future version.
Instructions for updating:
Use tf.compat.v1.graph_util.extract_sub_graph
WARNING:tensorflow:From /Volumes/DATA/Work/Coder/Python/tensor-flow/object-detection/models/research/object_detection/exporter.py:267: build_tensor_info (from tensorflow.python.saved_model.utils_impl) is deprecated and will be removed in a future version.
Instructions for updating:
This function will only be available through the v1 compatibility library as tf.compat.v1.saved_model.utils.build_tensor_info or tf.compat.v1.saved_model.build_tensor_info.
...
Kemudian silakan dicek pada output direktori hasil export seharusnya terdapat beberapa file seperti di bawah ini
-rw-r--r-- 1 od3ng staff 77B May 16 14:04 checkpoint
-rw-r--r-- 1 od3ng staff 22M May 16 14:05 frozen_inference_graph.pb
-rw-r--r-- 1 od3ng staff 21M May 16 14:04 model.ckpt.data-00000-of-00001
-rw-r--r-- 1 od3ng staff 8.7K May 16 14:04 model.ckpt.index
-rw-r--r-- 1 od3ng staff 945K May 16 14:04 model.ckpt.meta
-rw-r--r-- 1 od3ng staff 4.2K May 16 14:05 pipeline.config
drwxr-xr-x 4 od3ng staff 128B May 16 14:05 saved_model
Code Implementation
Silakan buat code python di bawah ini untuk running hasil model yang telah kita buat.
import numpy as np
import tensorflow as tf
import cv2 as cv
# Read the graph.
with tf.gfile.FastGFile('model/frozen_inference_graph.pb', 'rb') as f:
graph_def = tf.GraphDef()
graph_def.ParseFromString(f.read())
with tf.Session() as sess:
# Restore session
sess.graph.as_default()
tf.import_graph_def(graph_def, name='')
# Read and preprocess an image.
img = cv.imread('39.jpg')
rows = img.shape[0]
cols = img.shape[1]
# inp = cv.resize(img, (300, 300))
inp = img.copy()
inp = inp[:, :, [2, 1, 0]] # BGR2RGB
# Run the model
out = sess.run([sess.graph.get_tensor_by_name('num_detections:0'),
sess.graph.get_tensor_by_name('detection_scores:0'),
sess.graph.get_tensor_by_name('detection_boxes:0'),
sess.graph.get_tensor_by_name('detection_classes:0')],
feed_dict={'image_tensor:0': inp.reshape(1, inp.shape[0], inp.shape[1], 3)})
# Visualize detected bounding boxes.
num_detections = int(out[0][0])
for i in range(num_detections):
classId = int(out[3][0][i])
score = float(out[1][0][i])
bbox = [float(v) for v in out[2][0][i]]
print("Class id : {}".format(classId))
print("Score : {}".format(score))
print("bbox : {}".format(bbox))
if score >= 0.8:
x = bbox[1] * cols
y = bbox[0] * rows
right = bbox[3] * cols
bottom = bbox[2] * rows
cv.rectangle(img, (int(x), int(y)), (int(right), int(bottom)), (125, 255, 51), thickness=2)
text = "{}: {:.4f}".format(classId, score)
cv.putText(img, text, (int(x), int(y) - 5), cv.FONT_HERSHEY_SIMPLEX, 0.75, (125, 255, 51), 2)
cv.imshow('TensorFlow Custom Object Detection', img)
cv.waitKey()Hasil dari program di atas seharusnya seperti di bawah ini
Binggo! Hasil di atas hampir sempurna object plate dapat terdeteksi walaupun masih ada object lain yang terdeteksi, seharusnya hanya satu saja yang terdeteksi yaitu object plate. Untuk dapat melakukan itu ada banyak faktor yang perlu dilakukan enchancment, yang paling utama adalah jumlah dataset yang digunakan sebaiknya more than 500 dan jumlah iterasi ketika melakukan training. Contoh model yang saya gunakan datasetnya baru sekitar 70an dengan iterasi 10000. 🙂 Untuk resource silakan bisa diambil di sini
Semoga tulisan saya bermanfaat, happy coding using python and tensorflow. Cheers!!! 😀
Never miss a
story from us, subscribe to our newsletter