记录Tensorflow Object Detection API训练，测试

 

使用Tensorflow Object DetectionAPI进行目标检测

目标检测架构：SSD

深度学习框架：TensorFlow

深度神经网络：MobileNet

 

目标检测步骤总结如下：

1.      收集500+张包含有待检测目标的图片，最少100张；

2.      使用软件LabelImg对图片进行标注；所谓标注即是在图片上画框定位目标，LabelImg会创建xml文件描述目标的相关信息；

3.      将数据集分成训练数据集，测试数据集；

4.      将上面的数据集分别生成TFRecords文件；

5.      配置训练用.config文件；

6.      训练；

7.      导出训练后的graph;

8.      测试

 

软件环境：Windows10, Python 3.6

 

No.1收集数据

待检测目标：外观不良中的缺损

it's better using 200+ different picture to training without rotation, flip,translation

 

No.2图片标注

标注软件：LabelImg

下载链接：https://tzutalin.github.io/labelImg/

使用方法介绍：https://blog.gtwang.org/useful-tools/labelimg-graphical-image-annotation-tool-tutorial/

标注后的图片都会对应生成.xml文件

 

No.3将数据集分成训练数据集，测试数据集；

文件目录树结构如下：

object_detection/images

-train(90张图片（.jpg文件），对应的xml文件)

-test(10张图片（.jpg文件），对应的xml文件)

 

No.4生成TFRecords文件

用脚本 xml_to_csv.py将xml文件转换成.csv文件；按照下图修改脚本中的xml文件路径以及输出的csv文件的路径；

使用脚本 generate_tfrecord.py，将csv文件，以及图片信息生成TensorFlow训练需要的TFRecord 文件；

需要在脚本里设定目标检测的类别

(2018.03.02) Add prepare inputs from object_detection/g3doc/using_your_own_dataset

# object_detection/g3doc/using_your_own_dataset
# Preparing Inputs

To use your own dataset in Tensorflow Object Detection API, you must convert it
into the [TFRecord file format](https://www.tensorflow.org/api_guides/python/python_io#tfrecords_format_details).
This document outlines how to write a script to generate the TFRecord file.

## Label Maps

Each dataset is required to have a label map associated with it. This label map
defines a mapping from string c