背景：最近我們看到了一篇文章，關於如何用於你自己的資料集，訓練Tensorflow的物件檢測API。這篇文章讓我們對物件檢測產生了關注，正巧聖誕節來臨，我們打算用這種方法試著找到聖誕老人。

• 文章地址：https://medium.com/towards-data-science/how-to-train-your-own-object-detector-with-tensorflows-object-detector-api-bec72ecfe1d9

程式碼在下面的地址中。從這段程式碼中生成的模型可以擴充套件，以發現其他類別的角色是動畫還是真實的。

• 地址：https://github.com/turnerlabs/character-finder

正在活動的聖誕老人

收集資料 與任何機器學習模型一樣，資料是最重要的方面。因為我們想要找到不同型別的聖誕老人，我們的訓練資料必須是多樣化的。為了收集資料，我們編寫了一個流處理器，它使用VLC（多媒體播放器）從任何線上資源流播放視訊，並從中捕獲幀。流處理器在視訊中捕獲幀，而不需要等待視訊載入。如果當前播放的視訊是2秒，那麼流處理器將從4或5秒的標記中捕獲幀。作為額外的獎勵，你可以在ASCII觀看視訊，這是觀看視訊的最酷的方式。

• 流處理器的使用說明：https://github.com/turnerlabs/stream-processor

在ASCII上聖誕老人衝浪的視訊

下面是我們收集的不同型別的聖誕老人照片的一小部分。所有這些圖片都是從YouTube上收集的。正如你所看到的，有不同型別的動畫版和真人版聖誕老人。

不同種類的聖誕老人

給資料貼標籤 下一步是給資料貼上標籤，比如在聖誕老人的臉上畫一個邊界框。影象標記的一個常見選擇是使用工具貼標籤，但是我們使用了“辛普森一家的角色識別和檢測(第2部分)”這篇文章中出現的自定義指令碼。

• 文章地址：https://medium.com/alex-attia-blog/the-simpsons-characters-recognition-and-detection-part-2-c44f9d5abf37

要給影象貼上標籤，先點選人物面部的左上角，然後再點選右下角。如果影象中沒有出現人物角色，雙擊相同的點並刪除影象。

• 指令碼的程式碼：https://github.com/turnerlabs/character-finder/blob/master/detect_labels.py

建立Tensorflow記錄檔案 一旦邊界框資訊儲存在一個csv檔案中，下一步就是將csv檔案和影象轉換為一個TF記錄檔案，這是Tensorflow的物件檢測API使用的檔案格式。將csv檔案轉換為TF記錄的指令碼可以在下面地址中找到。

地址：https://github.com/turnerlabs/character-finder/blob/master/object_detection/create_characters_tf_record.py

還需要一個protobuf（可擴充套件的序列化結構資料格式）文字檔案，用於將標籤名轉換為數字id。對於我們的例項，它只是一個類。

item {
id: 1
Name: santa
}

建立配置檔案 對於訓練，我們使用faster_rcnn_inception_resnet配置檔案作為基礎。我們將配置檔案中的類引數更改為1，因為我們只有一個類——“聖誕老人（santa）”，並將輸入路徑引數更改指向我們在上一步中建立的TFrecord檔案。我們使用了預先訓練過的檢查點用作faster_rcnn_inception_resnet配置檔案。我們使用這個模型是因為模型的準確性比模型訓練的速度更重要。還有其他一些提供不同訓練速度和準確性的模型，可以在下面這個地址中找到。

• https://github.com/tensorflow/models/blob/master/research/object_detection/g3doc/detection_model_zoo.md

訓練 訓練程式碼是在本地計算機上執行的，以檢查是否一切都在正常工作。一旦它在正常的工作，它就會被部署到Google雲平臺的ML引擎上。該模型接受了超過10萬步長的訓練。

• ML引擎：https://cloud.google.com/ml-engine/

動畫版聖誕老人

這個模型對動畫和真人的圖片都很有效果。

真人版聖誕老人

輸出模型 訓練結束後，該模型被匯出用於在不同影象上進行測試。為了匯出模型，我們選擇了從訓練工作中獲得的最新的檢查點，並將其輸出到一個凍結的推理圖中。

• 將檢查點轉換為凍結推理圖的指令碼：https://github.com/turnerlabs/character-finder/blob/master/object_detection/export_inference_graph.py

我們還為我們的模型建立了一個網頁，網頁從google搜尋中提取影象，並試圖在還原的影象中找到聖誕老人。這個網頁的結果被過濾了，只顯示了超過60%的置信度。下圖是網頁的快照。

我們發現了聖誕老人! !

下一個步驟 當訓練工作開始的時候，我們注意到總損失很快就降到1以下，這就意味著這個模型在尋找聖誕老人方面做得很好。

總損失

我們知道我們的模式不可能變得完美。雖然該模型在準確地找到聖誕老人方面做得相當不錯，我們也得到了錯誤的判斷。錯誤的判斷對於這種情況來說是指，影象中沒有聖誕老人，但模型卻預測影象中會有。

錯誤的判斷

結論 在使預測變得更準確和減少錯誤判斷的數量上，還有很大的改進空間。接下來的步驟是瞭解更多關於配置檔案中不同引數的資訊，並更好地瞭解它們如何影響模型的訓練及其預測。我們希望你現在能夠為你自己的資料集訓練物件檢測器。