tensorflow Object Detection API使用预训练模型mask r-cnn实现对象检测

2018 年 8 月 24 日 极市平台

极市平台（ExtremeMart）是深圳极视角旗下的专业视觉算法开发与分发平台，为开发者提供行业场景集，每月上百真实项目需求，算法分发，技术共享等，旨在联合开发者建立起良好的计算机视觉生态。已与上百名开发者建立了合作并转化了上百种视觉算法。

为加速广大开发者视觉算法的转化及变现，极市开启了有奖视觉demo征集活动，通过测试的优秀demo（不需要源码！）提交者将会得到丰厚奖励和更多合作机会，点击了解详情。

来源：OpenCV学堂

Mask R-CNN是何恺明大神在2017年整出来的新网络模型，在原有的R-CNN基础上实现了区域ROI的像素级别分割。关于Mask R-CNN模型本身的介绍与解释网络上面已经是铺天盖地了，论文也是到处可以看到。这里主要想介绍一下在tensorflow中如何使用预训练的Mask R-CNN模型实现对象检测与像素级别的分割。tensorflow框架有个扩展模块叫做models里面包含了很多预训练的网络模型，提供给tensorflow开发者直接使用或者迁移学习使用，首先需要下载Mask R-CNN网络模型，这个在tensorflow的models的github上面有详细的解释与model zoo的页面介绍， tensorflow models的github主页地址如下： https://github.com/tensorflow/models

我这里下载的是：

mask_rcnn_inception_v2_coco_2018_01_28.tar.gz

下载好模型之后可以解压缩为tar文件，然后通过下面的代码读入模型

  
  
    
   
   
     MODEL_NAME = 'mask_rcnn_inception_v2_coco_2018_01_28'
   
   
     MODEL_FILE = 'D:/tensorflow/' + MODEL_NAME + '.tar'
   
   
     
   
   
     # Path to frozen detection graph
   
   
     PATH_TO_CKPT = MODEL_NAME + '/frozen_inference_graph.pb'
   
   
     
   
   
     # List of the strings that is used to add correct label for each box.
   
   
     PATH_TO_LABELS = os.path.join('D:/tensorflow/models/research/object_detection/data', 'mscoco_label_map.pbtxt')
   
   
     
   
   
     NUM_CLASSES = 90
   
   
     tar_file = tarfile.open(MODEL_FILE)
   
   
     for file in tar_file.getmembers():
   
   
         file_name = os.path.basename(file.name)
   
   
         if 'frozen_inference_graph.pb' in file_name:
   
   
             tar_file.extract(file, os.getcwd())
   
   
     
   
   
     detection_graph = tf.Graph()
   
   
     with detection_graph.as_default():
   
   
         od_graph_def = tf.GraphDef()
   
   
         with tf.gfile.GFile(PATH_TO_CKPT, 'rb') as fid:
   
   
             serialized_graph = fid.read()
   
   
             od_graph_def.ParseFromString(serialized_graph)
   
   
             tf.import_graph_def(od_graph_def, name='')

模型使用coco数据集，可以检测与分割90个对象类别，所以下面需要把对应labelmap文件读进去，这个文件在

models\research\objectdetection\data

目录下，实现代码如下：

  
  
    
   
   
     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)

有了这个之后就需要从模型中取出如下几个tensor

num_detections 表示检测对象数目
detection_boxes 表示输出框BB
detection_scores 表示得分
detection_classes 表示对象类别索引
detection_masks 表示mask分割

然后在会话中运行这几个tensor即可，代码实现如下：

  
  
    
   
   
     def run_inference_for_single_image(image, graph):
   
   
         with graph.as_default():
   
   
             with tf.Session() as sess:
   
   
                 # Get handles to input and output tensors
   
   
                 ops = tf.get_default_graph().get_operations()
   
   
                 all_tensor_names = {output.name for op in ops for output in op.outputs}
   
   
                 tensor_dict = {}
   
   
                 for key in ['num_detections', 'detection_boxes', 'detection_scores', 'detection_classes', 'detection_masks']:
   
   
                     tensor_name = key + ':0'
   
   
                     if tensor_name in all_tensor_names:
   
   
                         tensor_dict[key] = tf.get_default_graph().get_tensor_by_name(tensor_name)
   
   
     
   
   
                 if 'detection_masks' in tensor_dict:
   
   
                     # The following processing is only for single image
   
   
                     detection_boxes = tf.squeeze(tensor_dict['detection_boxes'], [0])
   
   
                     detection_masks = tf.squeeze(tensor_dict['detection_masks'], [0])
   
   
                     # Reframe is required to translate mask from box coordinates to image coordinates and fit the image size.
   
   
                     real_num_detection = tf.cast(tensor_dict['num_detections'][0], tf.int32)
   
   
                     detection_boxes = tf.slice(detection_boxes, [0, 0], [real_num_detection, -1])
   
   
                     detection_masks = tf.slice(detection_masks, [0, 0, 0], [real_num_detection, -1, -1])
   
   
                     detection_masks_reframed = utils_ops.reframe_box_masks_to_image_masks(
   
   
                         detection_masks, detection_boxes, image.shape[0], image.shape[1])
   
   
                     detection_masks_reframed = tf.cast(
   
   
                         tf.greater(detection_masks_reframed, 0.5), tf.uint8)
   
   
                     # Follow the convention by adding back the batch dimension
   
   
                     tensor_dict['detection_masks'] = tf.expand_dims(
   
   
                         detection_masks_reframed, 0)
   
   
                 image_tensor = tf.get_default_graph().get_tensor_by_name('image_tensor:0')
   
   
     
   
   
                 # Run inference
   
   
                 output_dict = sess.run(tensor_dict,
   
   
                                      feed_dict={image_tensor: np.expand_dims(image, 0)})
   
   
     
   
   
                 # all outputs are float32 numpy arrays, so convert types as appropriate
   
   
                 output_dict['num_detections'] = int(output_dict['num_detections'][0])
   
   
                 output_dict['detection_classes'] = output_dict[
   
   
                   'detection_classes'][0].astype(np.uint8)
   
   
                 output_dict['detection_boxes'] = output_dict['detection_boxes'][0]
   
   
                 output_dict['detection_scores'] = output_dict['detection_scores'][0]
   
   
                 if 'detection_masks' in output_dict:
   
   
                     output_dict['detection_masks'] = output_dict['detection_masks'][0]
   
   
             return output_dict

下面就是通过opencv来读取一张彩色测试图像，然后调用模型进行检测与对象分割，代码实现如下：

  
  
    
   
   
     image = cv2.imread("D:/apple.jpg");
   
   
     # image = cv2.imread("D:/tensorflow/models/research/object_detection/test_images/image2.jpg");
   
   
     cv2.imshow("input image", image)
   
   
     print(image.shape)
   
   
     
   
   
     # Actual detection.
   
   
     output_dict = run_inference_for_single_image(image, detection_graph)
   
   
     
   
   
     # Visualization of the results of a detection.
   
   
     vis_util.visualize_boxes_and_labels_on_image_array(
   
   
         image,
   
   
         output_dict['detection_boxes'],
   
   
         output_dict['detection_classes'],
   
   
         output_dict['detection_scores'],
   
   
         category_index,
   
   
         instance_masks=output_dict.get('detection_masks'),
   
   
         use_normalized_coordinates=True,
   
   
         line_thickness=8)