TF2 训练自己的模型并导出模型转为TFlite 格式主要命令

1.使用 labelImg 标注物体，产生 .xml 文件命令：

python labelImg.py

2.将物体 .xml 文件转换成 .csv文件命令：

python xml_to_csv.py

3.将test_images\train 全部拷贝到data 路径下（有两个.csv 文件）：

将.cvs 文件转换成.record文件命令：

python generate_tfrecord.py --csv_input=data/cup_train.csv --output_path=data/cup_train.record

python generate_tfrecord.py --csv_input=data/cup_test.csv --output_path=data/cup_test.record

4.开始训练数据命令：

python model_main_tf2.py -pipeline_config_path=training/ssd_mobilenet_v2_320x320_coco17_tpu-8.config --model_dir=training  --alsologtostderr

5.可视化训练模型命令：

tensorboard --logdir training --bind_all

6.导出训练模型命令：

python exporter_main_v2.py --input_type  image_tensor  --pipeline_config_path=training/ssd_mobilenet_v2_320x320_coco17_tpu-8.config --trained_checkpoint_dir=training --output_directory=training/train_export

7.打开测试程序命令：

jupyter notebook

8.导出 tflite 文件命令：

#tensorflow1.x
python2 export_tflite_ssd_graph.py --pipeline_config_path ssd_mobilenet_v1_coco_2018_01_28/pipeline.config --trained_checkpoint_prefix ssd_mobilenet_v1_coco_2018_01_28/model.ckpt --output_directory ssd_mobilenet_v1_coco_2018_01_28/

#tensorflow2.0
python3 export_tflite_graph_tf2.py --pipeline_config_path=training_tf2/ssd_mobilenet_v2_320x320_coco17_tpu-8.config     --trained_checkpoint_dir=training_tf2/ --output_directory=training_tf2/train_export


python3 export_tflite_model_tf2.py \
    --pipeline_config_path training_tf2/ssd_mobilenet_v2_320x320_coco17_tpu-8.config \
    --trained_checkpoint_dir training_tf2 \
    --output_directory training_tf2/train_export \
    --keypoint_label_map_path training_tf2/train_export/label_cup.txt \
    --max_detections 10 \
    --centernet_include_keypoints true \
    --config_override " \
            model{ \
              center_net { \
                image_resizer { \
                  fixed_shape_resizer { \
                    height: 320 \
                    width: 320 \
                  } \
                } \
              } \
            }" \