深度学习-训练模型

训练模型
深度学习技术能很好的解决物体识别能力泛化的问题。但是从头开始设计、实现、训练和验证模型，是一个非常耗时耗力的工作。那么tensorflow object detection api框架，以及在coco数据集、kitti数据集和open images数据集上训练好的模型，免除了深度学习模型研发的工作，让工程师可以直接在预训练模型上做迁移学习。
1、使用tensorflow预训练模型
一个典型的深度学习训练流程：
准备图片–标注图片–训练模型–导出冻结图
1.1准备图片
准备图片和标注是整个训练流程中最耗时的步骤，数据集获取的方式：
百度
kaggle下载数据集
专门做数据标注的公司
Kaggle数据集下载的流程：
https://blog.csdn.net/lxw234lxw/article/details/102968754
数据增强：对已知样本进行旋转、缩放、平移或者翻转等操作，人为增加样本的数量，解决样本不平衡的问题。
1.2 使用labelimg标注图片
参考链接：
https://blog.csdn.net/python_pycharm/article/details/85338801
1.3 创建tensorflow tfrecord 文件
将.xml转换为.csv文件
首先需要安装pandas库：pip install pandas
激活环境后，使用命令：
python xml_to_csv.py -i [PATH_TO_IMAGES_FOLDER]\train -o \ [PATH_TO_IMAGES_FOLDER]\xxx_labels.csv 将.xml转换为.csv文件
将.csv文件转换为.tfrecord文件
激活环境后，使用命令:pytho