如何使用Python读写TFOD2的pipeline.config配置文件

1. 核心依赖说明 #

TensorFlow官方提供的pipeline.config是基于Protobuf格式定义的，我们可以直接用官方预生成的配置类读写，不需要自己写解析逻辑，操作前请确保已经正确安装TensorFlow Object Detection API。

2. 完整操作步骤 #

• 第一步：导入所需依赖

import tensorflow as tf
from object_detection.utils import config_util
from object_detection.protos import pipeline_pb2
from google.protobuf import text_format

• 第二步：读取配置文件
  两种常用读取方式，可按需选择：

# 方式1：用官方封装的config_util工具读取，返回配置字典+配置proto对象
configs = config_util.get_configs_from_pipeline_file('path/to/your/pipeline.config')
pipeline_proto = config_util.create_pipeline_proto_from_configs(configs)

# 方式2：直接用protobuf解析原始配置文本
pipeline_proto = pipeline_pb2.TrainEvalPipelineConfig()
with tf.io.gfile.GFile('path/to/your/pipeline.config', 'r') as f:
    text_format.Merge(f.read(), pipeline_proto)

• 第三步：动态修改参数
  直接对proto对象的属性赋值即可，以下是常见修改场景示例：

# 修改训练批量大小
pipeline_proto.train_config.batch_size = 16

# 修改训练集标注文件、TFRecord路径
pipeline_proto.train_input_reader.label_map_path = 'path/to/label_map.pbtxt'
pipeline_proto.train_input_reader.tf_record_input_reader.input_path[0] = 'path/to/train.tfrecord'

# 修改评估任务的 checkpoint 路径
pipeline_proto.eval_config.checkpoint_path = 'path/to/model/ckpt-xxx'

# 修改检测头的类别数（SSD模型示例，Faster RCNN对应修改faster_rcnn下的同名属性即可）
pipeline_proto.model.ssd.num_classes = 5

• 第四步：落盘配置/直接传入运行接口
  如果需要保存修改后的配置供后续使用：

# 导出为新的配置文件
with open('path/to/new_pipeline.config', 'w') as f:
    f.write(text_format.MessageToString(pipeline_proto))

# 也可以直接把修改后的configs传入官方训练/评估接口，无需落盘

3. 注意事项 #

• 修改参数前要对应你使用的模型结构找对应层级，例如Faster RCNN模型的参数存放在pipeline_proto.model.faster_rcnn路径下，不要写错层级
• 列表类型的参数（如支持多输入的TFRecord路径）如果要新增元素，使用append()方法操作，不要直接赋值
• 不确定参数层级时，可以先打印读取的proto对象查看完整结构：print(pipeline_proto)

内容的提问来源于stack exchange，提问作者Bappy Ahmed