應公司要求，利用谷歌最近開源的Google object_detection API對公司收集的資料集進行訓練，並檢測訓練效果。通過一兩天的研究以及維持四天的訓練（GTX 1060  6GB），終於成功的在自己資料集上訓練的任務。測試效果感覺還行，雖沒有達到谷歌官方公佈的資料集上跑的識別效果，但是識別率也還過得去，這主要是因為資料集沒有官方做的那麼規範。下圖為本人挑選的一張識別率較好的圖片（識別哈爾濱啤酒）：

下面把本人如何一步步在自己的資料集上訓練的詳細步驟做個總結，一是方便自己以後操作起來更快的再次上手訓練，二是方便大家能好的實現該API的一些需求。

需要說明的：

2：資料集格式需要為轉換成tensorflow要求的tfrecord的形式。

3：本文在GTX 1060  6GB的顯示卡上訓練了四天

4：如何安裝tensorflow等一些依賴庫，本文不再贅述，請參考：安裝依賴庫教程連結

過程：

1：下載Google object_detection API：

下載地址

2：資料集準備：

資料集需要符合API所需的TFRecord格式，官方提供的資料集格式為PASCAL VOC格式，API已經為我們提供了將此格式轉為TFRecord的程式碼. 但是這裡我們需要注意一個細節：create_pascal_tf_record.py中的

examples_path = os.path.join(data_dir, year, 
 
'ImageSets', 'Main',
'aeroplane_' + FLAGS.set + '.txt')

同時，將檔案中的

flags.DEFINE_string('label_map_path', 'data/pascal_label_map.pbtxt',
'Path to label map proto')

data/pascal_labe_map.pbtxt改為自己的資料集label

然後在“tensorflow/models/object_detection/”目錄下運行以下命令

1. #生成訓練集record
2. python create_pascal_tf_record.py --data_dir=`自己的訓練資料集路徑` \  
3.     --year=VOC2007 --set=train --output_path=`你想儲存的訓練集的record路徑`  
4. #生成驗證集record
5.  python create_pascal_tf_record.py --data_dir=`自己的驗證資料集路徑` \  
6.     --year=VOC2007 --set=val --output_path=`你想儲存的驗證集的record路徑`  

3：下載預訓練模型

按照上文“需要說明的”第一條下載預訓練模型，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/faster_rcnn_resnet101_voc07.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

4:開始訓練

執行上述三步之後我們可以開始訓練了，此處需要注意兩點，不然會出現模組匯出錯誤，在tensorflow/models分別執行：

1. protoc object_detection/protos/*.proto --python_out=.  
2. export PYTHONPATH=$PYTHONPATH:`pwd`:`pwd`/slim  

然後進入到obeject_detection目錄下，執行一下命令：

1. python train.py --train_dir='想要儲存訓練模型的路徑' --pipeline_config_path='你採用的.config檔案路徑'

執行上述四步之後您基本上只需等著模型執行完成即可，如果您想要視覺化您的模型，可以執行：

1. tensorboard --logdir=’上面第4點提到的train_dir路徑‘  

然後在你的瀏覽器輸入0.0.0.0：6006就能看到模型一些相關引數的視覺化結果了。

訓練完成後會生成三個.cpkt的檔案，將這三個檔案複製到tensorflow/models下，可利用這三個檔案生成一個.pb檔案，生成程式碼如下：

1. python object_detection/export_inference_graph.py \  
2.     --input_type image_tensor \  
3.     --pipeline_config_path ’你的.config檔案路徑’ \  
4.     --checkpoint_path model.ckpt-‘CHECKPOINT_NUMBER’ \  
5.     --inference_graph_path output_inference_graph.pb  

6：參考