在win10环境下进行tensorflow物体识别（ObjectDetection）训练 ObjectDetection系列（二）

安装ObjectDetection，CPU和GPU都需要

解压module.rar放到C:\TFWS\models目录

地址：https://github.com/tensorflow/models

解压protoc-3.6.1-win32.zip，将\bin\protoc.exe复制到C:\Windows\System32下。

地址:https://github.com/protocolbuffers/protobuf/releases

编译proto文件，需要在power shell下执行。C:\TFWS\models\research目录下（最前面时PS命令的都在power shell下执行）

cd C:\TFWS\models\research

Get-ChildItem object_detection/protos/*.proto | Resolve-Path -Relative | %{ protoc $_ --python_out=. }

准备slim库，删除BUILD文件如果有的话，否则以下会报错。

cd C:\TFWS\models\research\slim

del BUILD

进入虚拟机环境venv。分别执行以下命令。

cd C:\TFWS\models\research\slim

python setup.py build

python setup.py install

安装，执行以下命令。（会下载一些依赖，时间可能很长，连接超时可以重新执行）

cd C:\TFWS\models\research

python setup.py build

python setup.py install

安装开发所需组件。（venv中）

pip install numpy

pip install opencv-python

pip install matplotlib

pip install jupyter  

pip install -i https://pypi.tuna.tsinghua.edu.cn/simple pandas

pip install Pillow

pip install Cython

制作图片训练集

安装windows版本的labelImg_v1.8.1.rar

https://github.com/tzutalin/labelImg

 

1.准备数据（一旦使用lableimg生成xml后，请勿更改图片路径）

分析代码结构：（可跳过）

C:\TFWS\models\research\object_detection\object_detection_tutorial.ipynb

GitHub官网给出的各种模型：

https://github.com/tensorflow/models/blob/master/research/object_detection/g3doc/detection_model_zoo.md

人工lableimg标注图片（越多越好）

Lableimg下载：https://github.com/tzutalin/labelImg

使用方法：

Open dir 打开图片目录；

Change save dir更改xml存储路径；

Create react box 标注矩形框；快捷键 W

Ctrl+S 保存

可以设置默认lable:user the default lable

下一张图片：D

上一张图片：A

2.生成TFRecord,xml to csv ,csv to tfrecord。

c:\TFWS\VENVCPU\Scripts\activate

cd C:\TFWS\models\research\object_detection

注意：更改xml_to_csv和csv_to_tfrecord里面的相关路径（指的是：Lableimg圈出来的图片以及生成的xml）以及tfrecord中的lable。

python do_xml_to_csv_train.py

python do_xml_to_csv_test.py

生成tfrecord:（注意路径）

python do_generate_tfrecord.py --csv_input=do_data/pictrain/do_train_labels.csv --output_path=do_data/pictrain/do_train.record --image_path=do_data/pictrain

python do_generate_tfrecord.py --csv_input=do_data/pictest/do_test_labels.csv --output_path=do_data/pictest/do_test.record --image_path=do_data/pictest

3.修改配置文件

下载地址：ssd_mobilenet_v1_coco.config

修改：

PATH_TO_BE_CONFIGURED改为自己的路径；

更改num_classes;

更改batch_size:1;或者更大（会影响训练效果，越大效果越稳定，但时间更久）

建议注释一下两行：

  #fine_tune_checkpoint: "C:\\TFWS\\models\\research\\object_detection\\do_data\\training\\model.ckpt"

  #from_detection_checkpoint: true

更改完成后在training目录下创建：do_label_map_pbtxt文件，写标签配置，例如：两个标签对应num classes应该为2

item {

  id: 1

  name: 'keyboard'

}

item {

  id: 2

  name: 'mouse'

}

4.开始训练。（venv中,重复测试请删除其他文件 除了do_label_map_pbtxt和ssd_mobilenet_v1_coco.config文件）

cd C:\TFWS\models\research\object_detection\legacy

python train.py --logtostderr --train_dir=C:\TFWS\models\research\object_detection\do_data\training --pipeline_config_path=C:\TFWS\models\research\object_detection\do_data\training\ssd_mobilenet_v1_coco.config

中途打断可以继续输入上述命令，会从上次的checkpoint继续执行。

5.导出模型（重复导出请删除result内全部内容）。

cd C:\TFWS\models\research\object_detection

python export_inference_graph.py \ --input_type image_tensor \  --pipeline_config_path  do_data\training\ssd_mobilenet_v1_coco.config \  --trained_checkpoint_prefix  do_data\training\model.ckpt-500 \  --output_directory do_data\result

6.测试模型。

更改testpb.py里面的路径相关参数。

cd C:\TFWS\models\research\object_detection

python testpb.py  # 该文件测试模型并且输出到img标注。需要注意目录结构。在do_data文件夹下新建img文件夹，测试图片放入。可能需要更改Num_classes.