tensorflow 训练模型之目标检测入门知识与案例解析
Tensorflow在更新1.0版本之后多了很多新功能，其中放出了很多用tf框架写的深度网络结构，大大降低了开发难度，利用现成的网络结构，无论fine-tuning还是重新训练方便了不少。而且TensorFlow内包含了一个强大的物体检测API，我们可以利用这API来训练自己的数据集实现特殊的目标检测。最近笔者终于跑通TensorFlow Object DetecTIon API的ssd_mobilenet_v1模型，这里记录下如何完整跑通数据准备到模型使用的整个过程，相信对大家能有所帮助。
Object DetecTIon API提供了5种网络结构的预训练的权重，全部是用数据集进行训练，这五种模型分别是SSD+mobilenet、SSD+incepTIon_v2、R-FCN+resnet101、faster RCNN+resnet101、faster RCNN+incepTIon+resnet101。各个模型的精度和计算所需时间如下。下面及介绍下如何使用Object Detection去训练自己的模型。
这里TensorFlow的安装就不再说明了，网上的教程一大把，大家可以找到很详尽的安装TensorFlow的文档。
tensorflow 训练模型训练前准备工作
使用protobuf来配置模型和训练参数，所以API正常使用必须先编译protobuf库，这里可以下载直接编译好的pb库（ https://github.com/google/protobuf/releases ），解压压缩包后，把protoc加入到环境变量中：
$ cd tensorflow/models
$ protoc object_detection/protos/*.proto --python_out=.
（我是把protoc加到环境变量中，遇到找不到*.proto文件的报错，后来把protoc.exe放到models/object_detection目录下，重新执行才可以）
然后将models和slim（tf高级框架）加入python环境变量：
PYTHONPATH=$PYTHONPATH:/your/path/to/tensorflow/models:/your/path/to/tensorflow/models/slim
数据集需要转化成PASCAL VOC结构，API提供了create_pascal_tf_record.py，把VOC结构数据集转换成.record格式。不过我们发现更简单的方式，Datitran提供一种更简单生产.record格式的方法。
首先需要先要标注图像相应标签，这里可以使用labelImg工具。每标注一张样本，即生成一个xml的标注文件。然后，把这些标注的xml文件，按训练集与验证集分别放置到两个目录下，在Datitran提供了xml_to_csv.py脚本。这里只要指定标注的目录名即可。接下来，然后需要我们把对应的csv格式转换成.record格式。
def main():
# image_path = os.path.join(os.getcwd(), 'annotations')
image_path = r'D: raining-setsobject-detectionsunglasseslabel est'
xml_df = xml_to_csv(image_path)
xml_df.to_csv('sunglasses_test_labels.csv', index=None)
print('Successfully converted xml to csv.')
调用generate_tfrecord.py，注意要指定--csv_input与--output_path这两个参数。执行下面命令：
python generate_tfrecord.py --csv_input=sunglasses_test_labels.csv --output_path=sunglass_test.record
这样就生成了训练及验证用的train.record与test.record。接下来指定标签名称，仿照models/ object_detection/data/ pet_label_map.pbtxt，重新创建一个文件，指定标签名。
item {
id: 1
name: 'sunglasses'
}
根据自己的需要，选择一款用coco数据集预训练的模型，把前缀model.ckpt放置在待训练的目录，这里meta文件保存了graph和metadata，ckpt保存了网络的weights，这几个文件表示预训练模型的初始状态。
打开ssd_mobilenet_v1_pets.config文件，并做如下修改：
num_classes:修改为自己的classes num
将所有PATH_TO_BE_CONFIGURED的地方修改为自己之前设置的路径（共5处）
其他参数均保持默认参数。
准备好上述文件后就可以直接调用train文件进行训练。
python object_detection/train.py
--logtostderr
--pipeline_config_path= D:/training-sets /data-translate/training/ssd_mobilenet_v1_pets.config
--train_dir=D:/training-sets/data-translate/training
TensorBoard监控：
通过tensorboard工具，可以监控训练过程，输入西面指令后，在浏览器输入localhost:6006（默认）即可。
tensorboard --logdir= D:/training-sets/data-translate/training
下载文档
