今天小编给大家分享一下怎么使用Tensorflow hub完成目标检测的相关知识点，内容详细，逻辑清晰，相信大部分人都还太了解这方面的知识，所以分享这篇文章给大家参考一下，希望大家阅读完这篇文章后有所收获，下面我们一起来了解一下吧。
前言
使用到的主要环境是：
tensorflow-cpu=2.10
tensorflow-hub=0.11.0
tensorflow-estimator=2.6.0
python=3.8
protobuf=3.20.1
导入必要的库
首先导入必要的 python 包，后面要做一些复杂的安装和配置工作，需要一点耐心和时间。在运行下面代码的时候可能会报错：
TypeError: Descriptors cannot not be created directly.If this call came from a _pb2.py file, your generated code is out of date and must be regenerated with protoc >= 3.19.0.If you cannot immediately regenerate your protos, some other possible workarounds are: 1. Downgrade the protobuf package to 3.20.x or lower. 2. Set PROTOCOL_BUFFERS_PYTHON_IMPLEMENTATION=python (but this will use pure-Python parsing and will be much slower).你只需要重新使用 pip 安装，将 protobuf 降低到 3.20.x 版本即可。
import osimport pathlibimport matplotlibimport matplotlib.pyplot as pltimport ioimport scipy.miscimport numpy as npfrom six import BytesIOfrom PIL import Image, ImageDraw, ImageFontfrom six.moves.urllib.request import urlopenimport tensorflow as tfimport tensorflow_hub as hubtf.get_logger().setLevel('ERROR')准备数据和模型
（1）到 github.com/protocolbuf… 用迅雷下载对应操作系统的压缩包，我的是 win7 版本
（2）下载好之后随便解压到自定义目录，我的是 “主目录\protoc-22.1-win64”，然后将其中的 “主目录\protoc-22.1-win64\bin” 路径添加到用户环境变量中的 PATH 变量中，重新打开命令行，输入 protoc --version ，如果能正常返回版本号说明配置成功，可以开始使用。
（3）进入命令行，在和本文件同一个目录下，执行命令
git clone --depth 1 https://github.com/tensorflow/models，将 models 文件夹下载下来，进入 models/research/ 下，使用命令执行
protoc object_detection/protos/*.proto --python_out=.将 models/research/object_detection/packages/tf2/setup.py 拷贝到和 models/research/ 下，然后使用执行本文件的 python 对应的 pip 去执行安装包操作
..\Anaconda3\envs\tfcpu2.10_py38\Scripts\pip.exe install . -i https://pypi.tuna.tsinghua.edu.cn/simple中间可能会报错“error: netadata-generation-failed”，一般都是某个包安装的时候出问题了，我们只需要看详细的日志，单独用 pip 进行安装即可，单独安装完之后，再去执行上面的根据 setup.py 的整装操作，反复即可，过程有点麻烦但还是都可以安装成功的。
（4）这里的模型本来在：
https://tfhub.dev/tensorflow/centernet/hourglass\_512x512\_kpts/1但是由于网络问题无法获取，所以我们可以改为从
https://storage.googleapis.com/tfhub-modules/tensorflow/centernet/hourglass\_512x512\_kpts/1.tar.gz获取模型。
from object_detection.utils import label_map_utilfrom object_detection.utils import visualization_utils as viz_utilsfrom object_detection.utils import ops as utils_opsPATH_TO_LABELS = './models/research/object_detection/data/mscoco_label_map.pbtxt'category_index = label_map_util.create_category_index_from_labelmap(PATH_TO_LABELS, use_display_name=True)model_path = 'https://storage.googleapis.com/tfhub-modules/tensorflow/centernet/hourglass_512x512_kpts/1.tar.gz'print('TensorFlow Hub 中的模型地址: {}'.format(model_path))print('加载模型...')hub_model = hub.load(model_path)print('加载成功！')打印结果：
TensorFlow Hub 中的模型地址: https://storage.googleapis.com/tfhub-modules/tensorflow/centernet/hourglass_512x512_kpts/1.tar.gz加载模型...WARNING:absl:Importing a function (__inference_batchnorm_layer_call_and_return_conditional_losses_42408) with ops with custom gradients. Will likely fail if a gradient is requested.WARNING:absl:Importing a function (__inference_batchnorm_layer_call_and_return_conditional_losses_209416) with ops with custom gradients. Will likely fail if a gradient is requested....WARNING:absl:Importing a function (__inference_batchnorm_layer_call_and_return_conditional_losses_56488) with ops with custom gradients. Will likely fail if a gradient is requested.加载成功！（5）在这里我们主要定义了一个函数 load_image_into_numpy_array 来加载从网上下载图片的图片，并将其转换为模型可以适配的输入类型。
（6）IMAGES_FOR_TEST 字典中记录了多个可以用来测试的图片，但是这些都是在网上，用的使用需要调用 load_image_into_numpy_array 函数。
（7）COCO17_HUMAN_POSE_KEYPOINTS 记录了人体姿态关键点。
（8）我们这里展示了 dogs 这张图片，可以看到两条可爱的小狗。
def load_image_into_numpy_array(path): image = None if(path.startswith('http')): response = urlopen(path) image_data = response.read() image_data = BytesIO(image_data) image = Image.open(image_data) else: image_data = tf.io.gfile.GFile(path, 'rb').read() image = Image.open(BytesIO(image_data)) (im_width, im_height) = image.size return np.array(image.getdata()).reshape((1, im_height, im_width, 3)).astype(np.uint8)IMAGES_FOR_TEST = { 'Beach' : 'models/research/object_detection/test_images/image2.jpg', 'Dogs' : 'models/research/object_detection/test_images/image1.jpg', 'Naxos Taverna' : 'https://file.lsjlt.com/upload/202307/04/zxjhdkqquzm.jpg', 'Beatles' : 'https://file.lsjlt.com/upload/202307/04/nxdb5s0hyxi.jpg', 'Phones' : 'https://file.lsjlt.com/upload/202307/04/jgqsek0hqqr.jpg/1024px-Biblioteca_Maim%C3%B3nides%2C_Campus_Universitario_de_Rabanales_007.jpg', 'Birds' : 'https://file.lsjlt.com/upload/202307/04/fslr3oykfms.jpg',}COCO17_HUMAN_POSE_KEYPOINTS = [(0, 1), (0, 2),(1, 3),(2, 4),(0, 5),(0, 6),(5, 7),(7, 9),(6, 8),(8, 10),(5, 6),(5, 11), (6, 12),(11, 12),(11, 13),(13, 15),(12, 14),(14, 16)]%matplotlib inlineselected_image = 'Dogs' image_path = IMAGES_FOR_TEST[selected_image]image_np = load_image_into_numpy_array(image_path)plt.figure(figsize=(24,32))plt.imshow(image_np[0])plt.show()目标检测
我们这里将经过处理的小狗的图片传入模型中，会返回结果，我们只要使用结果来绘制出所检测目标的框，以及对应的类别，分数，可以看出来结果是相当的准确的，甚至通过人的腿就能识别出人的框。
results = hub_model(image_np)result = {key:value.numpy() for key,value in results.items()}label_id_offset = 0image_np_with_detections = image_np.copy()keypoints, keypoint_scores = None, Noneif 'detection_keypoints' in result: keypoints = result['detection_keypoints'][0] keypoint_scores = result['detection_keypoint_scores'][0]viz_utils.visualize_boxes_and_labels_on_image_array( image_np_with_detections[0], result['detection_boxes'][0], (result['detection_classes'][0] + label_id_offset).astype(int), result['detection_scores'][0], category_index, use_normalized_coordinates=True, max_boxes_to_draw=200, min_score_thresh=.30, agnostic_mode=False, keypoints=keypoints, keypoint_scores=keypoint_scores, keypoint_edges=COCO17_HUMAN_POSE_KEYPOINTS)plt.figure(figsize=(24,32))plt.imshow(image_np_with_detections[0])plt.show()以上就是“怎么使用Tensorflow hub完成目标检测”这篇文章的所有内容，感谢各位的阅读！相信大家阅读完这篇文章都有很大的收获，小编每天都会为大家更新不同的知识，如果还想学习更多的知识，请关注编程网行业资讯频道。
