labelImg 标注数据：
https://github.com/tzutalin/labelImg
标注后生成.csv
然后转为.record 格式
把image下的train和test的csv和record文件都放到object_detection/data目录下包括图片
接下来需要设置配置文件，在objec_detection/samples下，寻找需要的对于模型的config文件，
将ssd_mobilenet_v1_coco.config 放在training 文件夹下，用文本编辑器打开，进行如下更改：
1、搜索其中的 PATH_TO_BE_CONFIGURED ，将对应的路径改为自己的路径，注意不要把test跟train弄反了；
注意最后train input reader和evaluation input reader中label_map_path必须保持一致。
2、将 num_classes 按照实际情况更改，我的例子中是1；
3、batch_size 原本是24，我在运行的时候出现显存不足的问题，为了保险起见，改为1，如果1还是出现类似问题的话，建议换电脑……
4、fine_tune_checkpoint: “ssd_mobilenet_v1_coco_11_06_2017/model.ckpt”
from_detection_checkpoint: true
这里是使用finetune，在它原来训练好的模型数据上进行训练，这样可以快很多。不然从头训练好慢。从头开始训练的话注释掉
此时在对应目录（/data）下，创建一个 label_map.pbtxt的文本文件（可以复制一个其他名字的文件，然后用文本编辑软件打开修改），写入我们的标签，我的例子中是两个，id序号注意与前面创建CSV文件时保持一致，从1开始。
item {
id: 1
name: ‘yangshu’
}好，所有数据都已准备好。可以开始训练了。
添加 tf.logging.set_verbosity(tf.logging.INFO) 到model_main.py 的 import 区域之后，会每隔一百个step输出loss，总比没有好，至少它让你知道它在跑。
在config文件设置时，eval部分的 num_examples （如下）和 运行设置参数–num_eval_steps 时任何一个值只要比你数据集中训练图片数目要大就会出现警告，因为它没那么多图片来评估，所以这两个值直接设置成训练图片数量就好了。
我在本地GPU训练（本机环境：Ubuntu 16.04LTS），终端进入 research 目录下激活环境
输入命令 ： export PYTHONPATH=$PYTHONPATH:pwd:pwd/slim
在research目录下python3 object_detection/model_main.py --pipeline_config_path=object_detection/training/ssd_mobilenet_v1_coco.config --model_dir=training --num_train_steps=20000 --num_eval_steps=80 --alsologtostderr
这就开始训练了
另开一个终端，同样进入到object_detection目录下，输入：
tensorboard --logdir=training
保存模型和评估后边加
