参考了博客，是一个口罩的识别。
在用标注工具标注自己的数据集后，转换数据集格式，voc的XML格式转换csv格式，csv再转成tensorflow所需要的标签和图片合体的record格式。
XML-CSV 网盘 vln2
CSV-record 源码中就给了，在参考博客中也给出了。
在准备好自己的数据集后，就可以开始配置tensorflow环境了，这个比较麻烦，我是在conda虚拟环境中配置的tensorflow-gpu，版本是1.15，
# your_name为自命名虚拟环境名
conda create -n your_name python=X.X（如2.7，3.6等）激活你的虚拟环境，执行后就会在终端前有环境名的标志
source activate your_name然后就可以在环境中 pip 安装所需要的包和依赖
退出虚拟环境
source deactivate显示所创建的虚拟环境
conda env list每次用的时候激活就行，防止依赖冲突
下载TensorFlow Models:，根据要求配置好环境后，再执行命令验证一下就行了
环境配置问题，网上基本都可以搜到答案
git clone https://github.com/tensorflow/models.git然后开始修改config配置文件，我用的是 ssd_mobilenet_v2_coco.config，根据参考博客修改文件，注意：需要自身电脑的配置 修改下batch_size的大小，要不然会出现内存溢出的错误，电脑直接卡死。越小越流畅
修改后，开始训练，原本是用model_main.py训练，但不知是我配置环境的差异，我这个无法训练，于是改用老版的训练
在object_detection目录下,
python legacy/train.py --train_dir=/home/sdu/models/dataset/data/ --pipeline_config_path=/home/sdu/models/dataset/data/ssd_mobilenet_v2_coco.config --logtostderr这时候训练还会出现问题，cudnn的问题，修改下train.py，加上下面的代码
这里是GPU请求内存的问题
from object_detection.utils import config_util
from tensorflow.compat.v1 import ConfigProto
from tensorflow.compat.v1 import InteractiveSession
config = ConfigProto()
config.gpu_options.allow_growth = True
session = InteractiveSession(config=config)
tf.logging.set_verbosity(tf.logging.INFO)训练过程中，可以用tensorboard来看loss变换曲线，导出损失最小的训练模型
在object_detection目录下
tensorboard --logdir='/home/sdu/models/dataset/data/'在训练结束后，处理下模型，导出并转换
参考转换模型博客 ，bazel编译源码，中间可能会遇到各种问题，多搜几篇博客看一下，基本上都能解决
大部分都需要configure一下，编译一下环境
最后用toco工具生成模型，有些参数可能会和参考的博客不同，可以用下面的看下网络节点，会返回所转换模型的各个参数，看是否需要修改
bazel build tensorflow/tools/graph_transforms:summarize_graph
bazel-bin/tensorflow/tools/graph_transforms/summarize_graph --in_graph=/home/sdu/models/dataset/data/frozen_graph.pb这里有两种模型转换的方式，可以是整数型版本tflite模型，也可以是浮点型模型
整数
bazel run tensorflow/lite/toco:toco -- \
--input_file=$OUTPUT_DIR/tflite_graph.pb \
--output_file=$OUTPUT_DIR/detect.tflite \
--input_shapes=1,300,300,3 \
--input_arrays=normalized_input_image_tensor \
--output_arrays='TFLite_Detection_PostProcess','TFLite_Detection_PostProcess:1','TFLite_Detection_PostProcess:2','TFLite_Detection_PostProcess:3' \
--inference_type=QUANTIZED_UINT8 \
--mean_values=128 \
--std_values=128 \
--change_concat_input_ranges=false \
--allow_custom_ops \
--default_ranges_min=0 \
--default_ranges_max=255 \浮点
bazel run -c opt tensorflow/lite/toco:toco -- \
--input_file=$OUTPUT_DIR/tflite_graph.pb \
--output_file=$OUTPUT_DIR/float_detect.tflite \
--input_shapes=1,300,300,3 \
--input_arrays=normalized_input_image_tensor \
--output_arrays='TFLite_Detection_PostProcess','TFLite_Detection_PostProcess:1','TFLite_Detection_PostProcess:2','TFLite_Detection_PostProcess:3' \
--inference_type=FLOAT \
—allow_custom_ops生成模型的区别就是权重文件的大小，大约差个五六倍的大小，
移植到安卓端时 用float模型可能会出现
运行安卓项目报错：E/AndroidRuntime: FATAL EXCEPTION: inference
Process: org.tensorflow.lite.examples.detection, PID: 17660
java.lang.IllegalArgumentException: Cannot convert between a TensorFlowLite buffer with 1080000 bytes and a Java Buffer with 270000 bytes.
解决方法：将DetectorActivity.java的54行改成TF_OD_API_IS_QUANTIZED = false
这个问题就是float和quantized的一个切换，量化的精度不同，float的量化模型精度要更高一点，但文件会大一点
