TensorFlow Object Detection API 技术手册（6）——模型文件配置及模型训练

这一节我们开始准备模型配置文件

（一）创建模型目录

在任意位置创建新文件夹：（/model_raccoon_detection），并在该目录下创建以下新文件夹：

命 名	作 用
training	存放训练配置文件
data（内含train和test两个文件夹）	存放训练数据和测试数据
result	存放训练结果
saved_model	存放训练好的模型

创建完了文件夹，将之前做好的数据文件存储在（/data/train）和（/data/test）下，因为我们只做了一个训练文件，所以将其重命名暂时当做测试文件，然后我们开始准备训练文件。

（二）准备预训练模型

到GitHub/TensorFlow/model下载各种预训练模型，表中列出了模型的速度、平均精度均值等数据，读者可自行选择，此处我们选择ssd_mobilenet_v1_coco模型，下载完成后解压到（/model_raccoon_detection）并重命名为（/pre_model），如下图所示：

（三）创建标签分类的配置文件

在（/model_raccoon_detection/training/）新建txt文件，键入以下内容：

item{
    id: 1 # id从1开始编号
    name: 'raccoon'
}

有几类后面就要补写几个item，此处只用写入1类
item{
id: n
name: ‘***’
}
重命名为label_map.pbtxt，如图所示：

（四）配置管道配置文件

在（/object_detection/samples/configs/）下找到ssd_mobilenet_v1_coco.config文件：

根据下载的预训练模型的不同，就要选择不同的config文件，接下来对该文件进行修改：
首先添加ckpt文件的位置（建议填写绝对路径）：


添加测试数据的位置以及标签配置文件的位置（建议填写绝对路径）：

对批处理数、迭代次数等其他参数进行修改：


还可以对学习率等其他参数进行详细修改，在此不再赘述，注意batch_size等参数的设定要和训练数据的数量等相匹配

（五）添加model_main.py等文件

在（/research/object_detection）下找到model_main.py、export_inference_graph.py文件，将其复制到（/model_raccoon_detection/）目录下。打开model_train.py文件，加入下列语句以调用GPU：

在CMD中输入以下命令：

>>>nvida-smi

以查看GPU编号，无法使用该命令时需要在环境变量path中添加（C:\Program Files\NVIDIA Corporation\NVSMI）：

（六）查看工程目录

使用PyCharm打开（/model_raccoon_detection/）,如下图所示：

（七）开始训练

打开Anaconda Prompt，输入以下命令（注意相对路径和绝对路径）：

>>>python /model_raccoon_detection/model_train.py  
--train_dir=/model_raccoon_detection/result 
--pipeline_config_path=/model_raccoon_detection/training/ssd_mobilenet_v1_coco.config

等待文件运行，出现下列显示：

可以按Ctrl+C随时终止训练。

（八）保存训练的模型

打开Anaconda Prompt，输入以下命令（注意相对路径和绝对路径）：

>>>python export_inference_graph.py 
--input_type=image_tensor  
--pipeline_config_path=/model_raccoon_detection/training/ssd_mobilenet_v1_coco.config  
--trained_checkpoint_prefix=/model_raccoon_detection/result/model.ckpt-200（此处的编号与你的训练次数相同）  
--output_directory=/model_raccoon_detection/saved_model

显示：

可以看到文件夹下生成了文件：

（九）使用tensorboard查看训练情况：

打开Anaconda Prompt，输入以下命令（注意相对路径和绝对路径）：

>>>/存放位置/tensorboard.exe --logdir=/model_raccoon_detection/result

（十）使用训练好的模型来预测单张图像

打开TensorFlow Object Detection API所带的DEMO，见上文，对代码标红位置做修改使其指向训练好的模型frozen_inference_graph.pb：

输入你要预测的图片的位置，注意图像的命名和循环次数

点击Run All，出现以下图像：