HuWeiSPClassification

Check and send new images to tf inception v3 model that train on HuWei dataset.

使用方法

執行辨識

僅需在伺服器端輸入下列指令

$ sudo docker run -v /$HOST/TF_io:/home/TF_io lswdokcer/tf_docker_v3

• $HOST：請將$HOST替換成您主機上的資料夾路徑
• TF_io: 固定名稱，存放新收影像檔與辨識結果
• lswdokcer: 為docker hub存放空間之名稱(若客製化後docker請改成您個人的空間)
• tf_docker_v3: v[] 為版本號

---

---

客製化需求

若有客製化需求才參考以下步驟。

安裝Docker環境

DOCKER Env

$ sudo apt-get update
$ sudo apt-get install apt-transport-https ca-certificates curl software-properties-common
$ curl -fsSL https://download.docker.com/linux/ubuntu/gpg | sudo apt-key add -
$ sudo apt-key fingerprint 0EBFCD88
$ sudo add-apt-repository "deb [arch=amd64] https://download.docker.com/linux/ubuntu $(lsb_release -cs)  stable"

INSTALL DOCKER

$ sudo apt-get update
$ sudo apt-get install docker-ce (for Docker CE)

Check version of docker by:

$ apt-cache madison docker-ce

If you want same version :

$sudo apt-get install docker-ce=<VERSION>

Verify that Docker CE :

$ sudo docker run hello-world

How show all containers on the system:

$ sudo docker ps -a

To stop a container:

$ sudo docker stop $Name

To show only running containers use:

$ docker ps 

To show all containers use:

$ docker ps –a

To stop/start docker service:

$ sudo service docker stop

Lists all the images on your local system:

$ docker images

修改Docker image

TF_io

1. 若host主機已安裝好docker engine，另外還需建立輸出影像與輸出結果的資料夾。例如：host主機帳號下建立/host/name/$TF_io_root_dir/TF_io主資料夾，並在其下建立/in與/out資料夾。

2. 使用前請先確認每個鏡頭的ROI設定檔(00xxxxxlive.cfg)已放入host/name/$TF_io_root_dir/主資料夾中。當container 運行時，會自動將新加入TF_io/in/中的影像進行辨識，其中水域偵測需要依據每個鏡頭的ROI設定檔(00xxxxxlive.cfg)來進行處理，最後才輸出至TF_io/out/中。

$TF_io/主資料夾內容結構如下：

in/
out/
001140live.cfg
002051live.cfg
009052live.cfg
...

TF_run

存放模型與相關檔案，結構如下:

TF_run/
   hw_confg/
   hw_model/
   Check.exe
   classify.exe
   RG.exe

功能增加與修改

請至/SRC/中修改個別的Py檔案，再使用pyinstaller封裝，並取代原本的TF_run/*.exe。

$ pyinstaller -D -F -n Check.exe -c Check.py
$ pyinstaller -D -F -n classify.exe -c classify.py 
$ pyinstaller -D -F -n RG.exe -c RG.py
$ pyinstaller -D -F -n RG_GBIS.exe -c RG_GBIS.py
$ mv *.exe TF_run/

更新模型

請在Tensorflow 1.13環境重新訓練Inception v3，並將output_graph_HW.pb取代/TF_run/how_model/舊模型。

$ python /SRC/retrain.py --image_dir /{your_new_training_set}/ --print_misclassified_test_images

$ mv /tmp/output_graph.pb /{your_TF_run/hw_model/}/output_graph_HW.pb

客製化docker容器

可使用原始Dockerfile檔案，image版本號與repo帳號依照需要修改，例如：tf_docker_v3 --> tf_hw_mod_v1, lswdokcer --> {$your_docker_repo}

*修改Dockerfile

$ vim Dockerfile

依照需求修改設定，以ubuntu1604為系統基礎，由於功能已由pyinstaller封裝，因此docker image中不需再安裝任何套件。

# TF run on Docker NCHC 2019-10-05 
FROM ubuntu:16.04
RUN apt-get -y update && apt-get install -y python3-tk
COPY TF_run /home/TF_run
WORKDIR /home/TF_run
CMD ./Check.exe /home/TF_io/
RUN echo "tf_hw_mod_v1 2019-10-05"

• 由Dockerfile建立container image

  $ sudo docker build -t tf_hw_mod_v1 .

• 設定該image版本號

  $ sudo docker tag tf_hw_mod_v1 lswdokcer/tf_hw_mod_v1:latest

• 登入您個人的docker帳號

  $ sudo docker login

• 將新的docker image上傳至repository

  $ sudo docker push lswdokcer/tf_hw_mod_v1

• 運行新的docker服務

  $ sudo docker run -v /$HOST/TF_io:/home/TF_io lswdokcer/tf_hw_mod_v1

---

TF_io/out/ 輸出資料說明

• inf:輸出各類別機率分數
• jpg:原始影像
• _cntp_txt:輪廓點座標(Red)(可重新繪圖使用)
• _roi_seg_.png:套疊原始影像、虛擬警戒點、水域輪廓

---