训练前准备:
- 在训练自己的检查器之前,需要能通过官方tensorflow-object-detection-api的运行测试,详见上一篇博客:
https://blog.csdn.net/holidayun/article/details/82378201 - 从github上面下载xml_to_csv.py 与 generate_tfrecord.py,地址如下:
https://github.com/holidayun/Tesorflow-Object-Detection-API-Training-Windows-Tutorial
将下载完成的文件放入到
\tensorflow\models\research\object_detection 目录下 - 在\tensorflow\models\research\object_detectio 下新建images文件夹
- 在\tensorflow\models\research\object_detectio\imgaes 新建test文件夹与train文件夹
模型下载,可根据自己的需求,下载对应的模型,
https://github.com/tensorflow/models/blob/master/research/object_detection/g3doc/detection_model_zoo.mdSDD-MobileNet模型训练速度较快,但是精确度不太理想,本教程使用
使用Faster-RCNN-Inception-V2模型。下载地址:http://download.tensorflow.org/models/object_detection/faster_rcnn_inception_v2_coco_2018_01_28.tar.gz
下载完成之后,将faster_rcnn_inception_v2_coco_2018_01_28文件夹解压缩到tensorflow \ models \ research \ object_detection目录下。(注意:模型日期和版本将来可能会发生变化,但它仍应适用于本教程。)
1.收集图片
- 收集的图片中包含检测目标。
- 确保图片不是太大,每个应小于200KB,分辨率不应超过720x1280。图像越大,训练分类器所需的时间越长。
- 将 收集到的图片放入\tensorflow\models\research\object_detectio\imgaes 目录下
2.标签图片
收集完所有图片后,就可以在每张图片中标记所需的对象。LabelImg是一个很好的标记图像的工具,它的GitHub页面有关于如何安装和使用它的非常明确的说明:
https://github.com/tzutalin/labelImg使用LabelImg生成的xml文件,其中80%放入
\tensorflow\models\research\object_detectio\imgaes\train 目录下,用于训练使用。20%的放入\object_detection\imgaes\test 目录下,用于训练时测试使用。
3.生成培训数据
- 首先将生成的xml数据,转换为csv格式的数据。
使用编辑器打开 \object_detection 目录下的 xml_to