tensorflow object detection API 使用记录1

目录：

开始熟悉API的使用

简介

安装就不用说了
首先介绍一下配置文件的格式，我是参照官方给的API配置说明记录的：API配置
目标检测API是使用protobuf配置训练评估的过程，配置文件可以看作分为5个部分：

1. model:决定你用什么样的模型
2. train_config: 训练的参数
3. eval_config: 决定评估时用什么样的指标
4. train_input_config: 训练数据
5. eval_input_config: 测试数据

所以要使用这个API，首先我们就要将这5个部分按照这样的格式写好
当然，在object detection文件夹中提供了一些已经写好的配置文件，可供我们直接使用：locate: object_detection/samples/configs
接下来，我们就按照github上的例程来使用

---

第一步：准备数据

参照github，这里使用VOC2007数据为例子，使用object_detection/samples/configs下已经定义好的配置文件，我使用的是faster_rcnn_resnet101_voc07.config

打开这个配置文件，可以看到简介的1\2\3部分已经帮我们写好了，我们需要提供的仅仅是4\5的数据部分，可以看到我们需要提供相应的input_path和label_map_path，这两者分别代表原始数据的TFrecord文件，以及数据的标签名和id的对应关系的文件

1. 得到TFrecord文件

由于tensorflow处理数据要转成TFrecord的格式，所以我们的数据要转成它的格式，官网给出了转换的代码：
在object detection目录下运行即可：

转换训练部分的数据：

python create_pascal_tf_record.py \
--data_dir='/home/data/VOC2007train' \
--year=VOC2007 \ 
--set=train \ 
--output_path='/home/data/pascal_train.record'

转换测试部分的数据：

python create_pascal_tf_record.py \ 
--data_dir='/home/data/VOC2007train' \ 
--year=VOC2007 \ 
--set=val \ 
--output_path='/home/data/pascal_val.record'

data_dir就是我们下载好的VOC数据的路径，output_path就是我们存放tfrecord文件的地方啦

2. 得到映射关系的文件
可以在object_detection/data路径下看到为我们提供了一些文件，这些文件后缀为.pbtxt，里面有VOC数据的映射文件，所以就直接拿过来用啦

最后总结一下，数据准备部分需要做如下几步：

• 下载好数据
• 将数据准换成TFrecord的形式
• 提供数据相关的.pbtxt（类别名和id number的映射关系）
• 将这些文件信息写到配置文件中去

---

第二步：训练模型

配置文件的数据部分写完了之后，理论上是可以开始训练了，我们可以看一下训练的配置部分，也就是简介上说的2/
里面有一个要注意的是：
fine_tune_checkpoint: “PATH_TO_BE_CONFIGURED/model.ckpt”
这一个地方可以提供预训练的权重，有这样的模型文件的话可以让我们的训练过程更快，官方也提供了一些预训练好的模型

同样，官方提供了训练部分相应的代码，如下，以我的为例：

# From the tensorflow/models/ directory
python object_detection/train.py \
--logtostder \
--pipeline_config_path=/***/faster_rcnn_resnet101/faster_rcnn_resnet101_voc07.config \
--train_dir=/***/train

pipeline_config_path 为我们使用的model配置文件
train_dir自己设定的在训练过程中记录模型的文件夹
\ 代表换行

---

第三步：评估

评估部分和训练部分一样，官方也提供了代码，这里用到的就是配置文件中的5/啦
代码如下：

python object_detection/eval.py \
--logtostderr \
--pipeline_config_path=/***/faster_rcnn_resnet101_voc07.config \
--checkpoint_dir=/***/train \
--eval_dir=/***/test

同样的，eval_dir就是自己设定的存放评估时做记录的路径
checkpoint_dir就是训练的时候的模型记录的路径即train_dir

---

总结：

细节等等，以及还有一些没记录清楚的或者说错了，最好就是去官方github官方github上看啦，第一次写博客，感觉略辛苦，哈哈，今天就写这些了，希望很容易遗忘的东西以及需要记下来的东西，经过记录，下次再看的时候很快就记起来，共勉。