探索MediaPipe自定义机器学习模型

MediaPipe支持人脸识别、目标检测、图像分类、人像分割、手势识别、文本分类、语音分类。每个模块都有对应的模型，但是原有模型可能比较大、推理耗时比较长，我们可以自定义模型来进行进行优化。

目录

一、训练准备

1、准备数据

1.1 原始数据

1.2 标注数据

2、简化模型

2.1 减少标签

2.2 剪裁边缘

2.3 模型复用

3、训练迭代

二、目标检测训练

1、准备安装包

2、准备数据集

3、加载数据集

4、训练模型

5、验证模型

6、导出模型

一、训练准备

1、准备数据

在自定义模型前，准备两种数据：原始数据、标注数据。

1.1 原始数据

找到足够多的数据去训练模型比较具有挑战性。首先，需要确认使用的图像或文本有没版权限制。为了避免版权问题，我们可以自己制作数据，也可以去Kaggle寻找数据集。有些dataset已经加了标注，有些则没有标注。

1.2 标注数据

我们可以用Label Studio来添加标注。支持3种形式安装：pip、Anaconda、docker。这里以pip安装为例：

# Requires Python >=3.7 <=3.9
pip install label-studio# Start the server at http://localhost:8080
label-studio

2、简化模型

2.1 减少标签

选择2-5个类别给图像打标签，遵从简单原则。

2.2 剪裁边缘

样本图像尽可能保留完整轮廓。剩下一部分样本进行裁剪，这样利于提高模型的鲁棒性。

2.3 模型复用

由于MediaPipe Model Maker使用迁移学习，即复用原有模型，使用新数据来重新训练原来的模型。这样可以节省训练时间，节约模型数据。Model Maker可用于训练物体检测、手势检测、图像分类、音频分类的模型。通过删除数据分类的层级，然后使用新数据来重建，最终输出新模型，框架图如下：

大概需要100个样本，其中80%用于训练，10%用于测试，剩下10%用于验证。 

3、训练迭代

第一次训练的模型比较难达到理想效果。那么，我们需要花时间去选择合适样本，添加恰当标注，从而提升成功率。添加样本，或者修改样本，反复迭代训练，不断完善。

二、目标检测训练

1、准备安装包

安装mediepipe model maker:

pip install --upgrade pip
pip install mediapipe-model-maker

导入object detector包：

import os
import tensorflow as tf
assert tf.__version__.startswith('2')
from google.colab import filesfrom mediapipe_model_maker import object_detector

2、准备数据集

从官网下载数据集，以小狗动物为例：dog dataset

并且声明模型的训练路径、验证路径：

train_dataset_path = "dogs/train"
validation_dataset_path = "dogs/validate"

3、加载数据集

加载训练、验证的数据集：

train_data = object_detector.Dataset.from_pascal_voc_folder('dogs copy/train',cache_dir="/tmp/od_data/train")validate_data = object_detector.Dataset.from_pascal_voc_folder('dogs copy/validate',cache_dir="/tmp/od_data/validatation")

4、训练模型

使用样本数据来训练TensorFlow模型，设置相关参数：

• batch_size=8
• learning_rate=0.3
• epochs=50

根据参数选项、数据路径来创建模型：

hparams = object_detector.HParams(batch_size=8, learning_rate=0.3, epochs=50, export_dir='exported_model')
options = object_detector.ObjectDetectorOptions(supported_model=object_detector.SupportedModels.MOBILENET_V2,hparams=hparams)
model = object_detector.ObjectDetector.create(train_data=train_data,validation_data=validate_data,options=options)

5、验证模型

使用未用过的图像来验证模型：

loss, coco_metrics = model.evaluate(validate_data, batch_size=4)
print(f"Validation loss: {loss}")
print(f"Validation coco metrics: {coco_metrics}")

6、导出模型

以TensorFlow Lite的格式导出模型，然后下载下来：

model.export_model('dogs.tflite')
!ls exported_model
files.download('exported_model/dogs.tflite')