一.環境安裝：

ubuntu
1：TensorFlow環境二選一：
親測用使用公開資料CPU需要在i5下跑一晚上，GPU只要30分鐘，建議安裝TensorFlow 1.00

pip install tensorflow  # For CPU
pip install tensorflow-gpu  # For GPU

2：依賴環境

sudo apt-get install protobuf-compiler python-pil python-lxml
sudo pip install jupyter,matplotlib,pillow,lxml

3：務必需要的操作
必須編譯Protobuf庫，在object_detection同級目錄開啟終端執行：

protoc object_detection/protos/*.proto --python_out=.

將object_detection加入到環境變數
開啟.bashrc 修改下面PYTHONPATH為你的object_detection的路徑

export PYTHONPATH=$PYTHONPATH:`pwd`:`pwd`/slim

4：環境監測
在object_detection同級目錄開啟終端執行：

python object_detection/builders/model_builder_test.py

結果沒有報錯，並且返回若干秒資料，則說明環境搭建成功。

二.資料預處理

解壓縮VOCtrainval然後執行create_pascal_tf_record.py來處理成TFRecord。

# From tensorflow/models/object_detection
tar -xvf VOCtrainval_11-May-2007.tar
python create_pascal_tf_record.py --data_dir=VOCdevkit \
   --year=VOC2007 --set=train --output_path=pascal_train.record
python create_pascal_tf_record.py --data_dir=VOCdevkit \
   --year=VOC2007 --set=val --output_path=pascal_val.record
 

這個create_pascal_tf_record.py做的事情分為三個部分
1,將每張圖片註釋引數（圖片的寬度與高度，物件邊界框，類名稱，…等）跟標籤對映（類ID跟類名稱的對應關係）讀出來並塞進tf.train.Example協議緩衝區
2,將tf.train.Example協議緩衝區序列化為字串
3,最後tf.python_io.TFRecordWriter把字元 串寫入TFRecords

三.修改配置

直接從專案中複製一個樣本出來改（object_detection/samples/configs/）我是使用的是 faster_rcnn_resnet101_voc07.config
配置檔案分成五個部分，
1,model模型的框架 meta-architecture, feature extractor…
2,train_config，定義 optimizer (Momentum, Adam, Adagrad…), fine-tune model
3,eval_config，定義valuation估值指標
4,train_input_config，定義作為訓練資料集與標籤對映路徑
5,eval_input_config，定義作為估值資料集的路徑與標籤對映路徑
主要修改這三部分
1：自定義路徑指定模型位置
fine_tune_checkpoint: “PATH_TO_BE_CONFIGURED/model.ckpt”
通常在進行訓練時不會從頭開始訓練，大部份會利用別人已經訓練好的引數來微調以減少訓練的時間fine_tune_checkpoint的數值為：你定義的faster_rcnn_resnet101_coco_11_06_2017位置（例如：”object_detection/faster_rcnn_resnet101_coco_11_06_2017/model.ckpt”）
2：指定訓練資料的label和record資料檔案
label檔案 官方已經有提供放在 object_detection/pascal_val.record

train_input_reader: {
    tf_record_input_reader { input_path: "PATH_TO_BE_CONFIGURED/pascal_train.record" }
    label_map_path: "PATH_TO_BE_CONFIGURED/pascal_label_map.pbtxt"}

3：指定測試資料的label和record資料檔案

eval_input_reader: {
    tf_record_input_reader { input_path: "PATH_TO_BE_CONFIGURED/pascal_val.record" }
    label_map_path: "PATH_TO_BE_CONFIGURED/pascal_label_map.pbtxt"
}

四.啟動訓練

構建標準專案結構，建立demo目錄為主資料夾
1,demo目錄下包含（train和eval,config檔案）
3,train目錄下包含（faster_rcnn_resnet101_coco_11_06_2017的解壓後文件）
3,eval是為空的，用於存放之後跑測試的檔案
另外我比較喜歡在新建一個dete資料夾，存放上面處理後的record資料檔案，和pascal_label_map .pbtxt類別對映表文件
然後開始執行吧！

python object_detection/train.py \
   --logtostderr \
   --pipeline_config_path=${定義的Config} \
   --train_dir=${訓練結果要存放的目錄}

如果你是按照上訴的標準結構的話則：

python train.py \
   --logtostderr \
   --pipeline_config_path="./demo/***.config" \
   --train_dir="./demo/train/"}

執行需要較大記憶體5-8G，訓練時日誌如下
當你的loss到0.5以下，基本就算訓練的比較準了，可以在執行eval來看看你的測試結果。

五.測試模型：

python object_detection/eval.py \
   --logtostderr \
   --pipeline_config_path=${定義的Config} \
   --checkpoint_dir=${訓練模型存放的目錄} \
   --eval_dir=${測試結果要存放的目錄}
# 之後再針對這個demo啟動tensorboard
tensorboard --logdir demo

之後瀏覽器檢視127.0.1.1:6006,在image下即可看到具體的識別結果了。

訓練自己的資料集

資料集準備：
在objcet_detect同級目錄

export PYTHONPATH=$PYTHONPATH:`pwd`

如果版本沒有slim路徑則加上

export PYTHONPATH=$PYTHONPATH:`pwd`:`pwd`/slim 

在create_pascal_tf_record.py中去掉’aeroplane_’。

訓練驗證

#生成訓練集record  
python object_detection/dataset_tools/create_pascal_tf_record.py --data_dir=`自己的訓練資料集路徑` --year=VOC2007 --set=train --output_path=`你想儲存的訓練集的record路徑`  
#生成驗證集record  
python object_detection/dataset_tools/create_pascal_tf_record.py --data_dir=`自己的驗證資料集路徑` --year=VOC2007 --set=val --output_path=`你想儲存的驗證集的record路徑` 

針對kitti資料集

python object_detection/dataset_tools/create_kitti_tf_record.py --data_dir='/KITTI/'  --output_path='/object_detection/data/kitti/'

下載預訓練模型
將下載好的模型進行解壓，並將.ckpt的三個檔案拷貝到models目錄下。將./object_detection/samples/configs/ssd_inception_v2_coco.config複製到models目錄下並做如下修改：
1）num_classes:修改為之前修的的.pbtxt檔案中的類別數目
2）將所有’PATH_TO_BE_CONFIGURED’修改為自己之前設定的路徑將下載好的模型進行解壓，並將.ckpt的三個檔案拷貝到models目錄下。
開始訓練

python object_detection/train.py --train_dir='object_detection/log/kitti/train/' --pipeline_config_path='object_detection/models/ssd_inception_v2_coco.config'

模型視覺化

tensorboard --logdir='object_detection/log/kitti/train/'

訓練完成後會生成三個.cpkt的檔案，利用這三個檔案生成一個.pb檔案，生成程式碼如下：

python object_detection/export_inference_graph.py \  
    --pipeline_config_path 'object_detection/models/ssd_inception_v2_coco.config' \  
    --trained_checkpoint_prefix 'object_detection/log/kitti/train/model.ckpt-10000' \  
    --output_directory object_detection/log/kitti/train/model/

利用.pb檔案進行目標檢測

# /home/whsyxt/Desktop/zhuzhao/github_code/object_detection/log/kitti/train/train/model.ckpt-10000.meta
python object_detection/train.py --train_dir='./log/kitti/train' --pipeline_config_path='./data/kitticonfig/ssd_inception_v2_coco.config'