基于tf object-detection api的ssd_mobinet_v2训练自己的数据集

最新推荐文章于 2023-10-31 18:32:23 发布

yyf7329081

最新推荐文章于 2023-10-31 18:32:23 发布

阅读量1.6k

点赞数 1

分类专栏：目标检测文章标签： tensorflow 目标检测

本文链接：https://blog.csdn.net/u014796085/article/details/88147048

版权

本文介绍了如何使用tensorflow的object_detection API，基于SSD_Mobilenet_V2预训练模型训练自定义数据集。详细步骤包括：下载项目文件和预训练模型，设置PYTHONPATH，生成tfrecord文件，编写label_map，修改配置文件，进行训练，运行tensorboard监控，模型固化，以及测试阶段的操作。

摘要由CSDN通过智能技术生成

准备阶段

下载项目文件。在github上下载tensorflow/models，包含两个需要用到的模块research\slim和research\object_detection，其他都可以删除，这就作为我们的项目文件夹。
下载预训练模型。在model_zoo中下载ssd_mobilenet_v2_coco，作为预训练模型。
设置research\slim为PYTHONPATH。
windows用户在环境变量中设置PYTHONPATH；
ubuntu用户（1）$ gedit ~/.bashrc，打开.bashrc文件。（2）$ export PATH=<你要加入的路径1>:<你要加入的路径2>: … :$PATH。（3） $ source ~/.bashrc，使环境变量立即生效。
生成tfrecord文件。仿照research\object_detection\dataset_tools\create_pascal_tf_record.py，根据自己的数据集生成相应的tfrecord文件。
根据数据集编写label_map。仿照research\object_detection\data\pascal_label_map.pbtxt。
修改配置文件。仿照research\object_detection\samples\configs\ssd_inception_v2_coco.config修改(1)-(6)，并按需要修改下列参数(7)-(13)：
(1) line9:num_classes，分类数量。
(2) line156:fine_tune_checkpoint，预训练模型文件位置。
(3) line162:num_steps