python训练Faster RCNN&&C++调用训练好的模型进行物体检测-基于opencv3.4.3（超详细）

介绍

上一篇博文讲到tensorflow Object Detection api 基于SSD模型对数据进行训练，然后通过C++版本的opencv进行调用，但是通过实验发现，SSD虽然快但是准确率实在太低了，所以又重新使用Faster RCNN进行重新训练~废话不多说了，开始主要内容介绍了！

训练阶段

配置：GTX1060、I7-8700k~
关于object detection api的配置使用就不多说了，详细请参考：
https://blog.csdn.net/zong596568821xp/article/details/82015126
https://blog.csdn.net/chuquanchang1051/article/details/79804965
这里是基于faster_rcnn_resnet50_coco模型，下载链接见：faster_rcnn_resnet50_coco_2018_01_28，下载之后解压，解压后的文件如下图所示：

当解压模型后，这时需要到object_detection/samples/configs/文件夹中找到对应的config文件，这里是faster_rcnn_resnet50_coco.config文件，打开config文件，在这里我修改了它的类别数目，由于这里只有一种garbage类别，所以num_classes=1。

model {
faster_rcnn {
num_classes: 1  //有几种类别就写几种
image_resizer {
keep_aspect_ratio_resizer {
min_dimension: 600
max_dimension: 1024
}

除此之外，还需要配置一些文件目录，其中fine_tune_checkpoint就是下载模型中的model.ckpt，input_path和label_map_path就是训练数据和标签，其中object-detection.pbtxt是自己建立的文件，记录着自己的标签信息，因为这里只有一种类别，格式如下：

item {
  id: 1
  name: 'garbage'
}

use_moving_average: false
}
gradient_clipping_by_norm: 10.0
fine_tune_checkpoint: "model_zoo/faster_rcnn_resnet50_coco_2018_01_28/model.ckpt"
from_detection_checkpoint: true
# Note: The below line limits the training process to 200K steps, which we
# empirically found to be sufficient enough to train the pets dataset. This
# effectively bypasses the learning rate schedule (the learning rate will
# never decay). Remove the below line to train indefinitely.
num_steps: 200000
data_augmentation_options {
random_horizontal_flip {
}
}
}

train_input_reader: {
tf_record_input_reader {
input_path: "train_data/garbage/train/tf_record/train.record"
}
label_map_path: "model_zoo/faster_rcnn_resnet50_coco_2018_01_28/object-detection.pbtxt"
}

eval_config: {
num_examples: 116  #测试集的数据数量，需要修改下
# Note: The below line limits the evaluation process to 10 evaluations.
# Remove the below line to evaluate indefinitely.
max_evals: 10
}

eval_input_reader: {
tf_record_input_reader {
input_path: "train_data/garbage/test/tf_record/test.record"
}
label_map_path: "model_zoo/faster_rcnn_resnet50_coco_2018_01_28/object-detection.pbtxt"
shuffle: false
num_readers: 1
}

修改完配置文件之后，回到object detection api的train.py文件中，train.py文件原来在legacy文件夹中，将其复制出来即可。在train.py文件中，修改以下两项内容：

#模型保存路径
flags.DEFINE_string('