下載tensorflow的代碼

地址：

https://github.com/tensorflow/models.git

然后進入目錄：

cd models/research/slim/datasets/

下載Imagenet2012數(shù)據(jù)集

可以到官網(wǎng)注冊下載，或者：

http://m.fzitv.net/article/262851.htm

我這里把數(shù)據(jù)放到了tensorflow路徑下：

./models/research/slim/datasets/imagenet2012

models也就是上邊下載的tensorflow代碼的路徑，imagenet2012是自己創(chuàng)建的目錄，然后下載完后：

紅色的是我要用的數(shù)據(jù)集，本身我的目的是要做評估，應該用不到ILSVRC2012_bbox_train_v2.tar，但是轉(zhuǎn)數(shù)據(jù)的時候報找不到某些文件，因此也加上了它，后綴V3 V2代表不同的任務。
藍色的需要先創(chuàng)建一下目錄后續(xù)解壓數(shù)據(jù)集要用到。
處理數(shù)據(jù)參考的是華為的文檔：

https://support.huawei.com/enterprise/zh/doc/EDOC1100191905/a8d9a8a2

可以準備一個解壓腳本，解壓到對應目錄：

#!/bin/bash
# mkdir -p train val bbox imagenet_tf
tar -xvf ILSVRC2012_img_train.tar -C train/
tar -xvf ILSVRC2012_img_val.tar -C val/
tar -xvf ILSVRC2012_bbox_train_v2.tar -C bbox/
tar -xvf ILSVRC2012_bbox_val_v3.tgz -C bbox/

轉(zhuǎn)換

先上腳本，然后說一下執(zhí)行前如何修改腳本里用到的python文件的內(nèi)容。

python preprocess_imagenet_validation_data.py ./imagenet2012/val/ imagenet_2012_validation_synset_labels.txt
python process_bounding_boxes.py ./imagenet2012/bbox/ imagenet_lsvrc_2015_synsets.txt | sort > imagenet_2012_bounding_boxes.csv
python build_imagenet_data.py --output_directory=./imagenet2012/imagenet_tf --validation_directory=./imagenet2012/val

三個腳本均在 ./models/research/slim/datasets 目錄下，我們知道tensorflow本身跨版本之前的代碼有很大的區(qū)別，像 build_imagenet_data.py 等大多數(shù)腳本已經(jīng)是2年前的了，現(xiàn)在的好多新的環(huán)境，比如python3中，直接執(zhí)行會報很多錯誤，看下怎么改，參考：

http://m.fzitv.net/article/186963.htm

第一個改成自己的數(shù)據(jù)路徑：

藍色改成自己對應的紅色：

可以看到train 數(shù)據(jù)路徑和 output的路徑都和val路徑一樣，否則找不到 n01440764 ，這里我覺得我的數(shù)據(jù)還是有問題。

第二個修改range的返回類型

大概500行左右：

# 原來 shuffled_index = range(len(filenames)) ，加list()改為以下：
shuffled_index = list(range(len(filenames)))

修改bytes

藍色改為紅色，綠色很多網(wǎng)友說要改，但是我這里改了反而報錯。

讀寫方式調(diào)整

藍色改為紅色：

匹配python3

加判斷：

然后就可以轉(zhuǎn)換了，結(jié)果是：

跑一下驗證

python eval_image_classifier.py \
  --checkpoint_path='./weights' \
  --eval_dir='./log/' \
  --dataset_name=imagenet \
  --dataset_split_name=validation \
  --dataset_dir='./datasets/imagenet2012/imagenet_tf/' \
  --model_name=resnet_v1_50

執(zhí)行后會打印出如下內(nèi)容：

eval/Accuracy[0.51]
eval/Recall_5[0.973333336]

Accuracy表示模型的分類準確率，Recall_5表示前5次的準確率

到此這篇關于將imagenet2012數(shù)據(jù)為tensorflow的tfrecords格式并跑驗證的文章就介紹到這了,更多相關tensorflow imagenet2012數(shù)據(jù)內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關文章希望大家以后多多支持腳本之家！

最新評論