Повторное обучение старого graph.pb

Вопрос или проблема

Ответ или решение

Вам необходимо обновить классификатор, используя старую модель, представленную в виде файла graph.pb, с новыми данными. Важно отметить, что TensorFlow 1.15 является довольно устаревшей версией, и регистрация новых предобученных недель уже не является стандартной практикой. Однако, если вы хотите продолжить использовать эту старую архитектуру, есть несколько шагов, которые могут помочь вам в этом процессе.

1. Подготовка окружения

Первым делом вам нужно убедиться, что у вас установлены необходимые зависимости. Создайте виртуальное окружение и установите необходимую версию TensorFlow и TensorFlow Hub:

# Создание виртуального окружения
python -m venv myenv
source myenv/bin/activate  # для Linux/Mac
myenv\Scripts\activate     # для Windows

# Установка TensorFlow 1.15
pip install tensorflow==1.15
pip install tensorflow-hub==0.7.0

2. Использование retrain.py

Если ранее вы использовали retrain.py, но не смогли наладить его работу, убедитесь, что вы правильно следуете инструкциям по его использованию. Примерные шаги:

1. Подготовьте данные: Создайте папки с изображениями, где каждый класс будет находиться в отдельной директории.
2. Настройте команду retrain.py: Например, если вы запускаете его из командной строки:

python retrain.py --bottleneck_dir=bottlenecks --model_dir=inception5h --summaries_dir=retrain_logs --output_graph=output_graph.pb --output_labels=output_labels.txt --image_dir=path/to/your/images

Обратите внимание на параметры --image_dir, которые указывают на место, где хранятся ваши новые данные.

3. Обычно в имате конструкция вашего графа

Если retrain.py по каким-то причинам не работает, вы можете подумать о том, чтобы вручную редактировать граф. Здесь вам потребуется возможность загружать существующую архитектуру (например, Inception или MobileNet) и добавлять к ней новые данные. Это может быть сложным путем, но использование TensorFlow 1.x требует такого подхода.

Вот упрощенный пример использования TensorFlow для загрузки графа и добавления обучающих данных:

import tensorflow as tf

# Загрузка старой модели
with tf.io.gfile.GFile('path/to/graph.pb', 'rb') as f:
    graph_def = tf.compat.v1.GraphDef()
    graph_def.ParseFromString(f.read())

with tf.Graph().as_default() as graph:
    tf.import_graph_def(graph_def, name='')

# Теперь вы можете получить доступ к входам и выходам
input_tensor = graph.get_tensor_by_name('input:0')  # замените на фактические имена
output_tensor = graph.get_tensor_by_name('output:0')

# Здесь можно проводить дальнейшее обучение на новых данных

4. Обучение на новых данных

Вы можете создать tf.data.Dataset для ваших новых данных и обучить модель с помощью метода tf.keras.Model.fit(). Это может быть достаточно удобно, но требует наличия компиляции нового графа и, возможно, изменения структуры с использованием Keras.

5. Сохранение новой модели

После завершения обучения сохраните обновленный граф:

tf.compat.v1.saved_model.simple_save(
    sess,
    "path/to/saved_model",
    inputs={"input": input_tensor},
    outputs={"output": output_tensor}
)

Заключение

Обновление старого графа graph.pb может быть непростой задачей, особенно с учётом устаревших инструментов. Если ваши возможности позволяют, рассмотрите возможность перехода на более современные версии TensorFlow (например, TF 2.x), где многие из этих процессов значительно упрощены. Если вам остается работать с TensorFlow 1.15, вышеизложенные шаги помогут вам в обновлении вашей модели.