本帖最后由 山东电子小菜鸟 于 2019-4-5 10:54 编辑
在板卡上实现人脸标注
一、安装docker-ce 开发环境基于Linux（Ubuntu）和docker镜像。XX提供两种训练模式的容器，分别有基于GPU的版本和基于CPU的版本。自己使用的为虚拟机，只能在CPU环境中进行训练，因此我们只需要安装docker-ce软件包即可。
1、打开ubuntu操作系统，ctrl+alt+t打开linux终端命令 在终端中输入下命令安装docker-ce： sudo apt-get remove docker docker-engine docker.io
sudo apt-get update
sudo apt-get install apt-transport-https \
ca-certificates \
curl \
software-properties-common
curl -fsSL https://mirrors.ustc.edu.cn/docker-ce/linux/ubuntu/gpg | sudo apt-key add -
sudo add-apt-repository \
"deb [arch=amd64] https://download.docker.com/linux/ubuntu \
$(lsb_release -cs) \
stable"
sudo apt-get update
sudo apt-get install docker-ce
1、由于自己的电脑用的虚拟系统，所以安装CPU 版本的容器文件 命令如下: sudo docker run --name plumber -dti brucvv/plumber:cpu_1.2
2、容器下载完成之后，使用如下命令进入容器： sudo docker exec -ti plumber bash
三、算法模型训练
1、 数据转换
本步骤将用户输入的原始图像及标注，转化为Tensorflow框架使用的record数据格式，
本例子是对19张包含人脸的图片及标注文件做转换。
运行完成后在目标目录会生成三个文件，xxx为数据库名
xxx.recordxxx.INFOxxx.json三个文件在/app/detection目录下输入以下命令进行算法训练： 如下图所示：
2、使用Tensorflow框架进行模型训练在路径/app/detection下运行，
脚本运行命令如下：
如在虚拟机中运行，此过程可能需要6个小时左右，由于代码中没有给出训练步数，当loss降低到0.5左右时，退出进程即可（ctrl+c命令）
本实例中只提供19张训练图像，仅仅用来测试总体流程。 训练的19个样本图片如下： 如下示例输入测试图像，进行网络推演，在输出图像中标出检测出的目标框，并在框的左上角标出对应类别的index。
| 
楼主
标题置顶
标题高亮
@dirtwillfly ：嗯
你学的人工智能专业？