TensorFlow Object Detection API训练自己的模型并进行识别

写在前面

本文的环境：window10、python3.7.2、anaconda3.4，TensorFlow是通过anaconda自动安装的，版本是1.3.1，然后已经安装好了TensorFlow Object Detection API。这些在我上一篇文章【TensorFlow Object Detection API 安装】有。

【1】准备自己的数据集

---

首先准备好自己的图片，并且规范的命名（便于后续处理），保存在img文件夹中。然后在同级目录下新建xml文件夹，用来保存标签文件。标签通过通过labelImg软件完成。labelImg网盘下载， 提取码：lyi6 。下载后直接解压就可以使用。

在使用labelImg时要注意两个路径，open dir对应选择img文件夹，change save dir对应选择xml文件夹。解压出来的文件predefined_classes.txt中，可以预先定义自己要打的标签的名称。

按【W】进行标记，【ctrl+s】保存，【a】【d】切换图片。

最后值得说一下的是，因为xml文件里面会保存文件路径信息，因此最好是确定img和xml文件夹的最终位置后再进行。

我创建的文件目录如下：

• object_detection
  • mydata
    • data
      • img
      • xml
      • train.txt
      • val.txt

---

如上面所示，还需要创建两个txt文件，分别是train.txt，val.txt，用来保存训练集和验证集的文件名称（不需要文件类型）。例如我的train.txt和val.txt的内容如下：

【2】创建record文件和pbtxt文件

这个我直接把我的create_tf_recored文件贴出来，按照我之前的配置可以直接用（要灵活使用的话需要读者去看懂，然后根据自己的配置更改代码）。

r"""Convert dataset to TFRecord for object_detection.

Example usage:
    python object_detection/dataset_tools/create__tf_record.py \
        --data_dir=mydata/data \
        --set=train \
        --output_path=mydata/train.record
"""
from __future__ import absolute_import
from __future__ import division
from __future__ import print_function

import hashlib
import io
import logging
import os

from lxml import etree
import PIL.Image
import tensorflow as tf

from object_detection.utils import dataset_util
from object_detection.utils import label_map_util


flags = tf.app.flags
flags.DEFINE_string('data_dir', '', 'Root directory to raw PASCAL VOC dataset.')
flags.DEFINE_string('set', 'train', 'Convert training set, validation set or '
                    'merged set.')
flags.DEFINE_string('output_path', '', 'Path to output TFRecord')
flags.DEFINE_string('label_map_path', 'mydata/mydata_label_map.pbtxt',
                    'Path to label map proto')
flags.DEFINE_boolean('ignore_difficult_instances', False, 'Whether to ignore '
                     'difficult instances')
FLAGS = flags.FLAGS

SETS = ['train', 'val', 'trainval', 'test']


def dict_to_tf_example(data,
                       dataset_directory,
                       label_map_dict,
                       ignore_difficult_instances=False,
                       image_subdirectory='img'):
  """Convert XML derived dict to tf.Example proto.

  Notice that this function normalizes the bounding box coordinates provided
  by the raw data.

  Ar