文章目录
Tensorflow object_detection api 使用教程
0.前言
实验室里有项目要开始搞，要用到目标检测的方法。所以在这里记录一下搭建的环境以及训练的过程。基于Ubuntu16.04 64位操作系统，GTX Titan X(12g) GPU训练的。
详细的步骤可以到我的个人博客去看：我的博客
1.数据准备
2. 下载object detection的api
- 运行生成CSV脚本(略)
- 在
.../models/reseach/object_detection/目录下运行generate_TFR.py文件：
python generate_TFR.py --csv_input=data/train_data.csv --output_path=data/train_data.record
然后改一下代码，继续：
python generate_TFR.py --csv_input=data/test_data.csv --output_path=data/test_data.record
3.训练
依旧是在.../models/reseach/目录下，打开终端，输入如下命令：
python object_detection/model_main.py \
--pipeline_config_path=object_detection/manhole_rfcn/rfcn_resnet101_coco.config \
--model_dir=object_detection/manhole_rfcn/ \
--num_train_steps=50000 \
--sample_1_of_n_eval_examples=1 \
--alsologtostderr
如果没有出错，等一会儿就可以看到在迭代了。
如果要两块卡一起跑起来，做了如下修改，
-
在model_train.py中增加了如下语句：
# 这里加入代码让两块gpu一起跑起来,显卡序号是0和1，看显卡详情可以在cmd中输入nvidia-smi os.environ['CUDA_VISIABLE_DEVICES']='0,1' -
或者命令后面加
--num_clones=2 --ps_tasks=1:
训练过程中，可以用tensorboard来观察训练情况，具体操作是在object_detection目录下打开命令行，输入:
tensorboard --logdir=training，
就会出来地址，复制地址到浏览器便可以打开，如果不行的话，地址可以改为：localhost:6006，想必应该可以了。
4.导出模型并测试
待训练完毕后，还是在object_detection目录下打开命令行，输入：
python export_inference_graph.py --input_type image_tensor --pipeline_config_path training_meter/ssd_mobilenet_v2_coco.config --trained_checkpoint_prefix training_meter/model.ckpt-200000 --output_directory meter_inference_graph
其中，--trained_checkpoint_prefix training_meter/model.ckpt-200000 --output_directory meter_inference_graph中的model.ckpt-200000要你自己去training_meter文件夹中找一个最大的数字(不是最大也可以)，然后更改，meter_inference_graph可以将meter改成别的。
运行之后，在object_detection目录下就出现了一个文件夹meter_inference_graph。
将要测试的图片放到object_detection下的test_images下，不过记得先清空里面的文件。
接下来便是测试，同样是在object_detection目录下创建一个.ipynb文件，并在这个目录下打开cmd然后打开jupyter notebook，打开.ipynb文件，笔者的命名为meter_detection.ipynb，具体的代码可以从这里看:meter_detection.ipynb，然后根据注释相应改一下就会出来结果了。