Tensorflow在更新1.0版本之后多了很多新功能，其中放出了很多用tf框架寫的深度網絡結構，大大降低了開發難度，利用現成的網絡結構，無論fine-tuning還是重新訓練方便了不少。而且TensorFlow內包含了一個強大的物體檢測API，我們可以利用這API來訓練自己的數據集實現特殊的目標檢測。最近筆者終于跑通TensorFlow Object Detection API的ssd_mobilenet_v1模型，這里記錄下如何完整跑通數據準備到模型使用的整個過程，相信對大家能有所幫助。

Object Detection API提供了5種網絡結構的預訓練的權重，全部是用數據集進行訓練，這五種模型分別是SSD+mobilenet、SSD+inception_v2、R-FCN+resnet101、faster RCNN+resnet101、faster RCNN+inception+resnet101。各個模型的精度和計算所需時間如下。下面及介紹下如何使用Object Detection去訓練自己的模型。

這里TensorFlow的安裝就不再說明了，網上的教程一大把，大家可以找到很詳盡的安裝TensorFlow的文檔。

tensorflow 訓練模型訓練前準備工作

使用protobuf來配置模型和訓練參數，所以API正常使用必須先編譯protobuf庫，這里可以下載直接編譯好的pb庫（ https://github.com/google/protobuf/releases ），解壓壓縮包后，把protoc加入到環境變量中：
$ cd tensorflow/models

$ protoc object_detection/protos/*.proto --python_out=.

（我是把protoc加到環境變量中，遇到找不到*.proto文件的報錯，后來把protoc.exe放到models/object_detection目錄下，重新執行才可以）

然后將models和slim（tf高級框架）加入python環境變量：
PYTHONPATH=$PYTHONPATH:/your/path/to/tensorflow/models:/your/path/to/tensorflow/models/slim

tensorflow 訓練模型數據準備

數據集需要轉化成PASCAL VOC結構，API提供了create_pascal_tf_record.py，把VOC結構數據集轉換成.record格式。不過我們發現更簡單的方式，Datitran提供一種更簡單生產.record格式的方法。

首先需要先要標注圖像相應標簽，這里可以使用labelImg工具。每標注一張樣本，即生成一個xml的標注文件。然后，把這些標注的xml文件，按訓練集與驗證集分別放置到兩個目錄下，在Datitran提供了xml_to_csv.py腳本。這里只要指定標注的目錄名即可。接下來，然后需要我們把對應的csv格式轉換成.record格式。

def main():
# image_path = os.path.join(os.getcwd(), 'annotations')
image_path = r'D: raining-setsobject-detectionsunglasseslabel est'
xml_df = xml_to_csv(image_path)
xml_df.to_csv('sunglasses_test_labels.csv', index=None)
print('Successfully converted xml to csv.')

調用generate_tfrecord.py，注意要指定--csv_input與--output_path這兩個參數。執行下面命令：
python generate_tfrecord.py --csv_input=sunglasses_test_labels.csv --output_path=sunglass_test.record

這樣就生成了訓練及驗證用的train.record與test.record。接下來指定標簽名稱，仿照models/ object_detection/data/ pet_label_map.pbtxt，重新創建一個文件，指定標簽名。
item {
id: 1
name: 'sunglasses'
}

tensorflow 訓練模型訓練教程

根據自己的需要，選擇一款用coco數據集預訓練的模型，把前綴model.ckpt放置在待訓練的目錄，這里meta文件保存了graph和metadata，ckpt保存了網絡的weights，這幾個文件表示預訓練模型的初始狀態。

打開ssd_mobilenet_v1_pets.config文件，并做如下修改：

num_classes:修改為自己的classes num

將所有PATH_TO_BE_CONFIGURED的地方修改為自己之前設置的路徑（共5處）

其他參數均保持默認參數。

準備好上述文件后就可以直接調用train文件進行訓練。
python object_detection/train.py
--logtostderr
--pipeline_config_path= D:/training-sets /data-translate/training/ssd_mobilenet_v1_pets.config
--train_dir=D:/training-sets/data-translate/training

TensorBoard監控：

通過tensorboard工具，可以監控訓練過程，輸入西面指令后，在瀏覽器輸入localhost:6006（默認）即可。
tensorboard --logdir= D:/training-sets/data-translate/training