一、配置深度学习开发环境（Windows10 GPU）
参考链接：https://zhuanlan.zhihu.com/p/40094498
我的配置环境如下：
1、操作系统：Windows 10 64位
2、GPU：NVIDIA GeForce GTX 1050
3、GPU驱动: 385.54
4、visual studio community 2015
5、CUDA 9.0
6、cuDNN7.1.4
7、python 3.5.2
8、tensorflow-gpu 1.8
不用gpu和话也可以运行，但是训练速度太慢，个人实践的对比结果是：其他条件完全相同，只是CPU与GPU的区别，在CPU上训练要十天左右，而在GPU上只需要三个小时左右。
二、安装Tensorflow object detection API
TensorFlow object detection API要求使用其GitHub库中提供的特定目录结构。
具体步骤参见下面的网页:
https://zhuanlan.zhihu.com/p/40450102
三、标记数据集
图片数据的整理（切割，重命名）
品颜完月：图片批量重命名和按像素分割zhuanlan.zhihu.com
图片标记工具下载地址：
下载解压后得到：
这是一个绿色软件，点击labeling.exe 即可使用。
选择要标记的图片进行标注：
labelImg常用功能的快捷键
标注成功后生成对应的.xml文件：
三、生成可训练数据
这一步的主要工作是：【标注生产的.xml】 -->【.csv 】-->【 .record】(可用于训练的数据)
1、.xml -->.csv：
运行一下代码
import os
import glob
import pandas as pd
import xml.etree.ElementTree as ET
def xml_to_csv(path):
xml_list = []
for xml_file in glob.glob(path + '/*.xml'):
tree = ET.parse(xml_file)
root = tree.getroot()
for member in root.findall('object'):
value = (root.find('filename').text,
int(root.find('size')[0].text),
int(root.find('size')[1].text),
member[0].text,
int(member[4][0].text),
int(member[4][1].text),
int(member[4][2].text),
int(member[4][3].text)
)
xml_list.append(value)
column_name = ['filename', 'width', 'height', 'class', 'xmin', 'ymin', 'xmax', 'ymax']
xml_df = pd.DataFrame(xml_list, columns=column_name)
return xml_df
def train():
image_path = os.path.join(os.getcwd(), 'train')
xml_df = xml_to_csv(image_path)
xml_df.to_csv('train_labels.csv', index=None)
print('Successfully converted xml to csv (train).')
def test():
image_path = os.path.join(os.getcwd(), 'test')
xml_df = xml_to_csv(image_path)
xml_df.to_csv('test_labels.csv', index=None)
print('Successfully converted xml to csv (test).')
train()
test()
程序运行后在jupyter notebook 中显示的输出结果
代码与‘train’‘test’文件以及生成的.csv文件的位置关系如下图所示：
把‘train’‘test’和‘train_labels’‘test_labels'文件放在文件夹images中
最后把文件夹images放在了这个目录下：D:\tensorflow1\models\research\object_detection
2、.csv --> .record：
下载generate_tfrecord.py 文件
下载地址:
datitran/raccoon_datasetgithub.com
下载后，我把generate_tfrecord.py 文件放在了这个目录下：D:\tensorflow1\models\research\object_detection。
把代码修改到适合自己的目标分类：
修改前：
修改后：
把文件夹images和generate_tfrecord.py 文件放在这个目录下：D:\tensorflow1\models\research\object_detection
在控制台运行如下代码：
# Create train data:
python generate_tfrecord.py --csv_input=images/train_labels.csv --image_dir=images/train --output_path=train.record
# Create test data:
python generate_tfrecord.py --csv_input=images/test_labels.csv --image_dir=images/test --output_path=test.record
"""
在这个目录下：D:\tensorflow1\models\research\object_detection会产生test.record和train.record文件。
四、建立 Label Map 和 训练配置
1、建立 Label Map
item {
id: 1
name: 'meter'
}
item {
id: 2
name: 'red light'
}
item {
id: 3
name: 'blue light'
}
item {
id: 4
name: 'disconnector_open'
}
item {
id: 5
name: 'disconnector_close'
}建立一个新的文件，文件名为 labelmap.pbtxt ，文件的id要与generate_tfrecord.py保持一致性
新建的taining文件夹，把新建的labelmap.pbtxt保存到taining文件夹下。
2、下载模型
下载地址:
从上面的网站中下载 Faster-RCNN-Inception-V2 model
把文件faster_rcnn_inception_v2_coco_2018_01_28放到D:\tensorflow1\models\research\object_detection 的路径下
3、配置training pipeline
把faster_rcnn_inception_v2_pets.config复制到新建的taining文件夹下
配置文件：faster_rcnn_inception_v2_pets.config
1、要检测的目标个数
2、fine_tune_checkpoint:
"D:/tensorflow1/models/research/object_detection/faster_rcnn_inception_v2_coco_2018_01_28/model.ckpt"
3、train_input_reader:
input_path: "D:/tensorflow1/models/research/object_detection/train.record"
label_map_path: "D:/tensorflow1/models/research/object_detection/training/labelmap.pbtxt"
4、num_examples
5、eval_input_reader:
input_path: "D:/tensorflow1/models/research/object_detection/test.record"
label_map_path: "D:/tensorflow1/models/research/object_detection/training/labelmap.pbtxt"
最后把包含上述两个文件的taining文件夹放到这个目录下：D:\tensorflow1\models\research\object_detection
五、训练
在anaconda prompt下配置环境变量：
set PYTHONPATH=D:\tensorflow1\models;D:\tensorflow1\models\research;D:\tensorflow1\models\research\slim
如果关闭了环境要重新配置。
在anaconda prompt下改变路径到
D:\tensorflow1\models\research\object_detection 然后运行下面的语句
python train.py --logtostderr --train_dir=training/ --pipeline_config_path=training/faster_rcnn_inception_v2_pets.config
开始训练：
六、用tensorboard观察模型
在anaconda prompt中改变路径到D:\tensorflow1\models\research\object_detection
然后输入下面的语句（其中traning是保存训练过程中的数据的地方）
tensorboard --logdir=training
把网址复制到浏览器中，就可以看到如下图所示的画面;
七、保存训练成功的模型
在anaconda prompt中改变路径到D:\tensorflow1\models\research\object_detection
然后输入下面的语句
python export_inference_graph.py --input_type image_tensor --pipeline_config_path training/faster_rcnn_inception_v2_pets.config --trained_checkpoint_prefix training/model.ckpt-XXXX --output_directory inference_graph其中model.ckpt-XXXX中的XXXX应该被training文件夹中的最大数值的.ckpt的文件代替
如下图所示，应该用29639代替XXXX
python export_inference_graph.py --input_type image_tensor --pipeline_config_path training/faster_rcnn_inception_v2_pets.config --trained_checkpoint_prefix training/model.ckpt-29639 --output_directory inference_graph
在路径D:\tensorflow1\models\research\object_detection 生成inference_graph文件夹，并且包含文件frozen_inference_graph.pb
八、用训练好的目标检测分类器
从参考网址中下载下面这三个文件，分别是从图片，视频和摄像头实现检测目标的功能
做适当修改后运行Object_detection_image的效果图如下图所示：
参考网址：
错误总结 ：
品颜完月：用tensorflow-gpu训练自己的神经网络（错误总结）zhuanlan.zhihu.com
关注【OpenCV与AI深度学习】获得更多资讯
扫描下面二维码即可关注
