本文共 3057 字，大约阅读时间需要 10 分钟。

#一、数据准备

###1.一个友好的标注工具 已经再此介绍的很详细了，linux下可以三行命令解决。

注意：图片要求是png或者jpg格式

1> . 标注信息存为xml文件，使用可以将所有的xml文件转换为1个csv文件（自行修改xml路径）

2> . 把生成的csv文件分成训练集和测试集 ###2.生成TFRecord文件 使用分别生成train.record 和 test.record. 记得修改其中三处路径，以及分类标识数据类型（中文有注释），分两次运行哦！ #二、环境搭建 ###1.tensorflow 版本 >= 1.4.0 具体的安装，自行百度 ###2.部署tensorflow model 1> . 从这里下载下，解压，假设放在了A目录下； 注意：下文中的A 都表示下载的model文件的目录位置 2> . 这一步分linux和window介绍

------------------------------------------------linux开始----------------------------------------------------

进入A/models/research/目录，右键打开终端，运行

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

添加slim和models/research路径，相当于环境变量

gedit ~/.bashrc

在该文件末，添加：

export PYTHONPATH=$PYTHONPATH:/A/models/research/slim:/A/models/research/

更新文件

source ~/.bashrc

------------------------------------------------linux以上结束----------------------------------------------------

---

------------------------------------------------window开始-----------------------------------------------------

下载

解压后，运行一下protoc.exe文件

打开cmd窗口，cd到A/models/research/目录下(老版本没有research目录)，执行如下:

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

将生成一堆python文件

然后为python添加默认模块搜索路径

本人选择的第三种，增加.pth文件

在site-packages添加一个路径文件，如mypkpath.pth，必须以.pth为后缀，写上你要加入的模块文件所在的目录名称，也就是下面两行：

A\models\research A\models\research\slim

然后保存为了.pth文件，名字随意选，然后放在Python运行能扫描到的地方，我放在了python下的lib下的site-packages里，因为python运行一定会经过这里。

------------------------------------------------window以上结束-----------------------------------------------------

3> . 两个系统都必须经过这一步

测试安装，进入到A/models/research/目录下，运行

python  object_detection/builders/model_builder_test.py

如果发现前方有坑：

Traceback (most recent call last):  File "object_detection/builders/model_builder_test.py", line 21, in 
   
        from object_detection.builders import model_builderImportError: No module named 'object_detection'
   

说明前边模块文件路径配置没有成功。

#三、训练自己的数据 ###1.下载模型 选择其中的下载 ###2.创建标签分类的配置文件(label_map.pbtxt)

item {  id: 1 # id一定要从1开始编号  name: 'syjxh'}item {  id: 2  name: 'dnb'}

放在一个位置就好

###3.修改对应的pipline配置文件 找到\object_detection\samples\configs\XXXXXXXXXXX.config文件，XXXXXXXXXXX需要和你下载的模型一致的配置文件，复制到\test\data文件夹下，修改一下几处：

# ====修改 1=====num_classes:2    # 根据你的目标分类来，我这里一共标记了6种对象# ====修改 2=====# 因为我们是重新训练模型，所以这里注释掉模型检测点，并将from_detection_checkpoint该为false# fine_tune_checkpoint: "PATH_TO_BE_CONFIGURED/model.ckpt"    from_detection_checkpoint: false  num_steps: 200000  # 训练次数# ====修改 3=====train_input_reader: {  tf_record_input_reader {    # 训练样本路径    input_path: "A/models/test/data/train.record"   }  # 标签分类配置文件路径  label_map_path: "A/models/test/label_map.pbtxt"}# ====修改 4=====eval_input_reader: {  tf_record_input_reader {    # 验证样本路径    input_path: "A/models/test/data/eval.record"  }   # 标签分类配置文件路径  label_map_path: "A/models/test/label_map.pbtxt"  shuffle: false  num_readers: 1}

###4.开始训练啦！！！！

直接使用object_detection\train.py文件进行训练即可，参数如下：

--logtostderr--pipeline_config_path=F:/TensorFlow/models/test/data/ssd_inception_v2_pets.config--train_dir=F:/TensorFlow/models/test/training

配置好参数后，直接run起来，接下来就是漫长的等待，训练过程中可以使用eval.py文件进行验证。

目前我还没跑出结果，截个图给大家瞅瞅先！还在训练中，估计跑一天。。。

---

继续补充结果

---

参考：

,