在wondows10上用tensorflow2.x版本使用Object_Detection_API-（2）用其它数据集训练自己的识别器

上一篇文章配置好了适用于tensorflow2.x版本的Object_Detection_API，这篇文章将使用Lara数据集训练交通信号灯识别器。

1 下载数据集

下载Lara交通信号灯数据集，将其解压到traffic_lights文件夹里，包含图片文件夹和.txt的标签文件：

2 数据集处理

1）运行./traffic_lights文件夹里的preprocess.py，得到存在图片和标签文件的文件夹：

其中labels文件夹中的标签文件为单个图片对应的标签：

2）运行./traffic_lights文件夹里的txt2xml.py，将txt格式的标签转为xml格式，存放在./traffic_lights/Annotations文件夹中：

3）划分训练集和测试集：在./traffic_lights/Images文件夹里新建train和test文件夹，将7335张图片剪切到train文件夹，将剩下的剪切到test文件夹，则Image文件夹包含以下两个文件夹：

4）运行./traffic_lights文件夹里的xml_to_csv.py，将标签转为csv格式，运行完后，Images文件夹下生成以下两个文件：

5）运行./object_detection文件夹里的generate_tfrecord.py，将标签转为tfrecrd格式，运行完后，./object_detection/traffic_lights文件夹下生成以下两个文件：

3 生成标注映射图并配置训练

1）标注映射图（按上一篇博客下载的API中，已经操作好此步，可以省略）

标注映射图通过定义一个目标类别名到目标类别ID的映射来告诉训练器每一个物体是什么。在 .\object_detection\TL_training文件夹下新建一个文件并保存为labelmap.pbtxt。将以下内容复制到文本中。

item {
  id: 1
  name: 'Traffic_Light_go'
}

item {
  id: 2
  name: 'Traffic_Light_stop'
}

item {
  id: 3
  name: 'Traffic_Light_ambiguous'
}

item {
  id: 4
  name: 'Traffic_Light_warning'
}

2）配置训练（按上一篇博客下载的API中，已经操作好此步，可以省略）

最后，必须配置物体识别训练管道。它定义了哪些模型和参数将被用于训练。这是开始训练前的最后一步！

从.\research\object_detection\samples\configs文件夹中复制faster_rcnn_inception_v2_coco.config文件到\object_detection\TL_training路径下。然后用文本编辑器打开文件。需要对其做几处修改，主要修改类别和样本的数目，并添加文件路径到训练数据。

在faster_rcnn_inception_v2_coco.config文件中做如下几处修改。Note：路径必须使用单个正斜杠(/),而不是反斜杠(\)。同样，路径必须使用双引号(")而非单引号(')。

• Line 10. 修改num_classes为你想要识别的物体的类别数目。此交通信号灯识别器中num_classes是4。
• Line 107. 修改 fine_tune_checkpoint为：
  • fine_tune_checkpoint : "D:/pycharm_community/tensorflow_object_detection_API/models_master/research/object_detection/faster_rcnn_inception_v2_coco_2018_01_28/model.ckpt"
• Lines 122 and 124. 在train_input_reader模块中，修改input_path和label_map_path为：
  • input_path : "D:/pycharm_community/tensorflow_object_detection_API/models_master/research/object_detection/traffic_lights/train.record"
  • label_map_path:  "D:/pycharm_community/tensorflow_object_detection_API/models_master/research/object_detection/TL_training/labelmap.pbtxt"
• Lines 136和138. 在eval_input_reader模块，修改input_path和label_map_path为：
  • input_path : "D:/pycharm_community/tensorflow_object_detection_API/models_master/research/object_detection/traffic_lights/test.record"
  • label_map_path: "D:/pycharm_community/tensorflow_object_detection_API/models_master/research/object_detection/TL_training/labelmap.pbtxt"

修改完毕后保存文件。

4 训练模型

运行./object_detection文件中的train_TL.py开始训练模型，训练的过程如下图所示：

可以通过TensorBoard观察训练过程。打开电脑终端，修改路径至D:\pycharm_community\tensorflow_object_detection_API\models_master\research\object_detection，并运行以下命令：

tensorboard --logdir=TL_training

这将在本地创建一个端口为6006的网页，可在浏览器上浏览。TensorBoard网页提供展示训练如何进行的信息和图表。 

5 保存模型

在./object_detection文件夹下新建TL_model文件夹，将TL_training文件夹中的以下文件剪切到TL_model文件夹：

最后一步是生成冻结结论图(.pb文件)。在\object_detection路径下新建TL_inference_graph文件夹存在.pb文件。然后运行./object_detection下的export_TL_inference_graph.py，其中'trained_checkpoint_prefix'中的"model.ckpt-XXXX"中的"XXXX"需要被替换成TL_model文件夹下最高编号的.ckpt文件。运行成功后在 TL_inference_graph文件夹中生成以下文件：

6 测试模型

至此，交通信号灯识别器准备就绪，运行./object_detection中的TL_image_test.py对其进行测试，测试结果如下图所示（只训练了1000多步，效果不是太好）：