原生版python安装tensorflow以及object_detection_API

安装参考：https://blog.csdn.net/sarsscofy/article/details/81111815

objectdetectionAPI参考：https://blog.csdn.net/dy_guox/article/details/79111949

https://github.com/EdjeElectronics/TensorFlow-Object-Detection-API-Tutorial-Train-Multiple-Objects-Windows-10

补充：

protoc下载：https://repo1.maven.org/maven2/com/google/protobuf/protoc/

labelImg下载：https://www.dropbox.com/speedbump/tq7zfrcwl44vxan/?content_link=https%3A%2F%2Fuc63f15e1ad73b0025f5c8649014.dl.dropboxusercontent.com%2Fcd%2F0%2Fget%2FAk62zFsNYqty7yrnxuVR0tyN71-1khkbXw6Btc6vY2o2GEI0gziQ_9P2K0xC3j6NjEHiz7KSB8ZY9d0PCgY23y9eUaH_2OSRrz_aXa3SpXStFw%2Ffile%3Fdl%3D1%23&hmac=ADqbaSs5GmO5x9GU7isX4SR6dgpJtBokotvz1g2o5RrICw

https://github.com/tzutalin/labelImg

安装基础步骤：

1. protobuf安装配置：将proto文件转化为py文件---相关模块包安装：pillow、lxml、pandas（用于后续生成TFRecord文件）、opencv---环境变量设置---编译protobufs并运行setup.py---安装成功测试一下demo
2. 收集图片，分为train与test（两成）
3. labelImg
4. xml_to_csv.py和generate_tfrecord.py（需修改路径及自己做的标签）

5. python generate_tfrecord.py --csv_input=images\train_labels.csv --image_dir=images\train --output_path=train.record
   python generate_tfrecord.py --csv_input=images\test_labels.csv --image_dir=images\test --output_path=test.record

6. 创建文件并保存于research \ object_detection \ training文件夹中的labelmap.pbtxt，键入自己的标签对应信息
7. 导航到research \ object_detection \ samples \ configs，并将faster_rcnn_inception_v2_pets.config文件复制到\ object_detection \ training目录中。然后，使用文本编辑器打开文件。要对.config文件进行一些更改，主要是更改类和示例的数量，以及将文件路径添加到训练数据：第9行：num_classes、第106行：将fine_tune_checkpoint更改fine_tune_checkpoint：“research/object_detection/faster_rcnn_inception_v2_coco_2018_01_28/model.ckpt”、第123和125行：在train_input_reader，nput_path和label_map_path更改、第130行：将num_examples更改为\ images \ test目录中的图像数、第135行和第137行：在eval_input_reader中，将input_path和label_map_path更改
8. 开始运行模型训练：

   python model_main.py --pipeline_config_path=training/ssd_mobilenet_v1_coco.config --model_dir=training --num_train_steps=50000 --num_eval_step=2000 --alsologtostderr

   或者找到legacy文件夹中找到train.py并键入

   python train.py --logtostderr --train_dir=training/ --pipeline_config_path=training/ssd_mobilenet_v1_coco.config

则：

 cpu版本速度太慢，后面用用可怜的MX150试试搭gpu加速吧！

在此过程中的发现：

1. proto一次性全部编译protoc object_detection/protos/*.proto --python_out=.时如出错，可将proto文件一条一条编译，将*.proto改为文件夹下每一条具体文件名即可
2. 测试demo时记得修改路径~
3. labelImg.exe文件在做标签生成xml文件时会在其中记录当前文件路径、矩形框坐标、标签等信息，所以需先将图片切割resize并放在正确路径后再做标签，否则xml信息没法更新，再转化为csv文件和TFRecoard时将出错，若不对，可重新将图片打开，按空格键对每一张图片重新保存即可。参考：https://blog.csdn.net/qq_30129009/article/details/89513845
4. 如果在xml转化为csv文件时报错某图片的某个classes输入为空，代表在images/train或者test文件夹下存在未能与xml对应的图片，需删除或者使用labelImg添加xml

5. csv文件转换为tfrecord文件出错

   几点需要确认一下：

   1.  在object_detection.py 程序里，确认 NUM_CLASSES = 你自己的类别数；

   2.  确认一下运行时候的路径有没有错（python generate_tfrecord.py --csv_input=data/tv_vehicle_labels.csv  --output_path=train.record）

   3.  config 文件里 num_classes: 你自己的类别数

   4.  pbtxt 文件下 item序号与名称与generate_tfrecord.py 里的序号名称必须一一对应。

6. 将文件夹内所有图片按行列切割数切割：

   # -*- coding: utf-8 -*-
   
   import os
   from PIL import Image
   
   
   # 切割图片
   def splitimage(src, rownum, colnum, dstpath):
   	img = Image.open(src)
   	w, h = img.size
   	if rownum <= h and colnum <= w:
   		print('Original image info: %sx%s, %s, %s' % (w, h, img.format, img.mode))
   		print('图片切割')
   
   		s = os.path.split(src)
   		if dstpath == '':
   			dstpath = s[0]
   		fn = s[1].split('.')
   		basename = fn[0]
   		ext = fn[-1]
   
   		num = 0
   		rowheight = h // rownum
   		colwidth = w // colnum
   		for r in range(rownum):
   			for c in range(colnum):
   				box = (c * colwidth, r * rowheight, (c + 1) * colwidth, (r + 1) * rowheight)
   				img.crop(box).save(os.path.join(dstpath, basename + '_' + str(num) + '.' + ext), ext)
   				num = num + 1
   
   		print('共生成 %s 张小图片。' % num)
   	else:
   		print('error')
   
   
   # 创建文件夹
   def mkdir(path):
   	# 去除首位空格
   	path = path.strip()
   	# 去除尾部 \ 符号
   	path = path.rstrip("\\")
   
   	# 判断路径是否存在
   	# 存在     True
   	# 不存在   False
   	isExists = os.path.exists(path)
   
   	# 判断结果
   	if not isExists:
   		os.makedirs(path)
   		print (path + ' 创建成功')
   		return True
   	else:
   		print (path + ' 目录已存在')
   		return False
   
   
   folder = r'E:/Desktop/AOI-PCB板短路检测/debug'  # 存放图片的文件夹
   path = os.listdir(folder)
   # print(path)
   
   for each_bmp in path:  # 批量操作
   	first_name, second_name = os.path.splitext(each_bmp)
   	each_bmp = os.path.join(folder, each_bmp)
   	src = each_bmp
   	print(src)
   	print(first_name)
   	# 定义要创建的目录
   	mkpath = "E:/Desktop/AOI-PCB板短路检测/splitdebug/" + first_name
   	# 调用函数
   	mkdir(mkpath)
   	if os.path.isfile(src):
   		dstpath = mkpath
   		if (dstpath == '') or os.path.exists(dstpath):
   			row = int(8)  # 切割行数
   			col = int(23)  # 切割列数
   			if row > 0 and col > 0:
   				splitimage(src, row, col, dstpath)
   			else:
   				print('无效的')
   		else:
   			print('图片保存目录 %s 不存在！' % dstpath)
   	else:
   		print('图片文件 %s 不存在！' % src)

    

7. 文件统一转换格式：

   import os
   from PIL import Image
   
   dirname_read="E:/Desktop/windows_v1.6.0/train_test/"   #注意后面的斜杠
   dirname_write="E:/Desktop/windows_v1.6.0/123/"
   names=os.listdir(dirname_read)
   count=0
   for name in names:
       img=Image.open(dirname_read+name)
       name=name.split(".")
       if name[-1] == "bmp":
           name[-1] = "jpg"
           name = str.join(".", name)
           #r,g,b,a=img.split()
           #img=Image.merge("RGB",(r,g,b))
           to_save_path = dirname_write + name
           img.save(to_save_path)
           count+=1
           print(to_save_path, "------conut：",count)
       else:
           continue

    

8. 图片训练好像单通道的没发跑，可手动改为三通道。

   from PIL import Image     
   import os       
   path = '/Users/lyz/Desktop/dataset/images/' #图片目录 
   for file in os.listdir(path):      
        extension = file.split('.')[-1]
        if extension == 'jpg':
              fileLoc = path+file
              img = Image.open(fileLoc)
              if img.mode != 'RGB':
                    print(file+', '+img.mode)