参考https://blog.csdn.net/qq_29462849/article/details/85327181
参考https://blog.csdn.net/exploer_try/article/details/81434985
在使用object_detection API,出现的no model named nets问题
对于此问题,我采用了很多办法,都不能解决。在research文件下执行setup.py没有解决问题后,可以直接到research/slim文件夹下运行setup.py文件,将nets添加到库中。
参考https://www.cnblogs.com/tccbj/p/10628861.html
python setup.py build
python setup.py install
如果运行中报错,可以尝试将slim文件夹中已经存在的BUILD文件删除,再运行。
在使用xml_to_csv.py时,应注意
在代码的以下部分,修改训练和测试xml文件的路径和输出名称。一般都会将xml_to_csv.py文件放在object_detection路径下,此时生成的csv文件就存在此路径下。
image_path = os.path.join(os.getcwd(), 'images/test')
xml_df = xml_to_csv(image_path)
xml_df.to_csv('test_labels.csv', index=None)
在使用generate_tfrecord.py时,应注意
因为源代码中有以下的内容,所以在cmd中运行此代码时,要将全部图像存在的路径也进行说明。
flags.DEFINE_string('csv_input', '', 'Path to the CSV input')
flags.DEFINE_string('output_path', '', 'Path to output TFRecord')
flags.DEFINE_string('image_dir', '', 'Path to images')
在运行时,应该输入以下内容
python generate_tfrecord.py --csv_input=data/train_labels.csv --output_path=data/train.record --image_dir=images
python generate_tfrecord.py --csv_input=data/test_labels.csv --output_path=data/test.record --image_dir=images
在使用train.py时,应注意
训练的参数都是在models\research\object_detection\samples\configs文件夹下的不同模型中修改的。我使用的是faster_rcnn_resnet50_coco,需要修改的参数在参考的文章中都有。我是使用960m进行训练,只有2G显存,在运行时需要将batch_size调至1才能运行,否则就会显存溢出报错。
train_config: {
batch_size: 1
optimizer {