现在，我们开始训练文件。这里，我将用一些训练好的模型来做迁移训练。
这里简单介绍一下迁移训练，迁移训练就是在别人训练的模型基础上继续训练，这样我们的模型训练就不是从零开始，加快速度以及提高准确率。（我讲的比较简单）
参考网址在这：https://blog.csdn.net/hehedadaq/article/details/79845761
1.配置文件
1.1 配置pbxt文件
- 来到object_detection/data/ 文件夹下，随便复制一个.pbxt格式的文件到你的xx_object/data/ 文件下。
- 修改里面的内容如下图所示，你有几个类别就写几个。保存并且重命名（随便你命名什么，自己方便即可）
- 将两个csv文件和两个record文件都放到这里
1.2 下载模型
我举例两个模型，大家二选一即可。理论上faster-rnn更加准确，ssd更加快，但是不知道是不是写代码时间的问题，2018年的faster我感觉速度和准确率都要好于ssd，大家可以试试。由于我暂时找不到还不错的模型地址，正常情况下去在官方渠道上搞到的。我就提供百度云好了。
ssd_mobilenet_v1_coco_2017_11_17模型：
链接：https://pan.baidu.com/s/1mqCa4MqgzFtXPSkoXvIVWA
提取码：yyge
faster_rcnn_inception_v2_coco_2018_01_28模型：
链接：https://pan.baidu.com/s/1PUBklY9FMeBVYy5jQlpMeQ
提取码：tu2d
1.3 解压
放到ogject_detection文件夹下解压
1.4 配置.config文件
在object_detection\samples\configs 文件夹下找到对应的.config文件（理论上这里面有的模型你都可以下载训练试试）
我拿faster_rcnn_inception_v2_coco_2018_01_28模型举例 ，复制faster_rcnn_inception_v2_coco.config到 xx_object/training 文件夹下
-
修改第10行的num个数，我是6个所以写6
-
86行的batch_size根据你电脑的性能填，保守起见填1。这可以算是训练的最低标准了。
-
修改第107行的文件路径，就是你下载的那个模型文件夹路径
-
122行与136行是你对应文件夹下的record文件
-
124与138行是你对应文件夹下的pbtxt文件
-
128行 num_examples 这个值看情况，网上有人目前训练200个样本设置的值是 10，我100个左右所以写了3这样子。详细了解的话百度 。
然后保存，将xx_object文件夹下的data文件夹（为避免重命名所以我改名为mydata文件夹了）和training文件夹单独放入到object_detection文件夹下。现在我们文件就全配置完了，可以开始训练模型了。
2.训练模型
在object_detection文件夹下运行此代码：
python legacy/train.py --logtostderr --train_dir=./training --pipeline_config_path=./training/faster_rcnn_inception_v2_coco.config --num_train_steps=50000 --num_eval_steps=2000 --alsologtostderr
- –logtostderr：我也不知道是干啥的
- –train_dir：训练文件夹
- –pipeline_config_path：config文件所在的位置
- –num_train_steps：设置的步数值
- –num_eval_steps：设置的验证值
- –alsologtostderr：不知道什么作用
- 上限200000，在config文件里有说明，你可以找一找。
- 如果你是gpu版本的，直接输入上面修改后的代码。但如果是cpu版本的需要打开legacy/train.py，修改
clone_on_cpu为True，原本默认是False的。
3.训练理论
现在没有问题的话应该是在训练中，因为我也无法顾及到所有人的情况，如果有什么报错的或者缺失库的话，百度一下基本都能解决。
gpu基本上0.2秒一个吧，我的cpu会是0.5一个。在训练过程中，你也可以可视化整个过程。另开一个命令窗口，在object_detection 下运行
tensorboard --logdir=my_obgect/training
之后会出现一个6006端口的网址复制粘贴到游览器上即可观看
反正要训练好久，我简单介绍一下它是如何训练的。
我们的图片上的物体经过处理被分为两个东西，一个是这个物体的照片，另一个便是它的标签。
- 假设这是一张图片上的正方形，正方形返回的值是4，那它对应的标签会是：
[0, 0 ,0, 1, 0 ,0] #一共六个标签，返回是4. - 正方形这个图片信息经过卷积层池化层全连接层之后会返回一个值，比方说输出了这：
[0.1, 0.05, 0.05, 0.6, 0.1, 0.1] #可以理解为卷积处理后给出的各个图片的概率 - 将两个一维数组各个值相减的平方作相加，即为loss 损失函数，然后通过梯度下降的方法去更新前面的卷积权重，使得loss函数的值越来越小，这样我们的模型也就会越来越强大。
其实里面还有很多难搞的学问，比如如何从图片得到数组，我就很皮毛皮毛的讲解一些。
需要注意的是，一旦报错了做好把training下的（除了config）文件全部删除再重新开始。
如果你感觉训练的差不多了（一个指标就是我上面说的loss是否小到你可以接受的位置）你可以直接ctrl+c退出训练，不用担心，程序一直在帮你保存最近的模型，想要恢复训练，重新输入训练得代码就可以了。
4.生成模型
如果一切正常的话，在training文件夹下会是这个样子的
在 “object_detection” 文件夹下新建 “xx_detection” 文件夹，用来存放最终的模型文件，这里我取名为“my_detection_v1”。我喜欢用‘v+数字’来区分我模型的版本。执行下面的代码：
python export_inference_graph.py \ --input_type image_tensor \ --pipeline_config_path my_object/training/faster_rcnn_inception_v2_coco.config \ --trained_checkpoint_prefix my_object/training/model.ckpt-70014 \ --output_directory my_detection_v1
需要注意的是：
- –pipeline_config_path：config的路径
- –trained_checkpoint_prefix：最后模型步数的路径，根据你实际的来，我最后保存的模型文件是训练了70014的，所以写70014。
这时候在“my_detection_v1”文件夹下就是这个样子的
我们所需要的就是frozen_inference_graph.pb这个文件。
5.测试模型
回到我的第一篇笔记上2020年tensorflow定制训练模型笔记（1）——object detection的安装。我给出的测试代码，将这三个部分修改成自己的。
然后将测试图片更换成自己的照片就可以看到结果了。
基本上可以看出效果，不完美是肯定的。比方说，训练照片的丰富程度和质量、训练时间的长短等等。
总结
我觉得三篇写下来，应该能帮助到一些人学会定制自己的模型，并且对深度学习的整个流程会有一些了解 。在这过程中，困难和沮丧会接踵而来，但每一次的突破同样也能让我兴奋到爆，可能这就是人工智能的魅力吧。
希望大家都能追随自己的梦想，一路前行…
2020年tensorflow定制训练模型笔记（1）——object detection的安装
2020年tensorflow定制训练模型笔记（2）——制作标签
2020年tensorflow定制训练模型笔记（3）——开始训练