TensorFlow使用object detection训练自己的模型用于物体识

用于训练和识别你自己的模型

1.安装(>=1.4.0)

2.部署

– 在这里下载

– 解压并安装

-解压后重命名复制到/目录

– linux下

– 转到 /// 目录并运行 //*.proto –=.

– 在 ~/.file 中添加 slim 和 /path。

=$:/path/to/slim:/path/to/

– 下

–下载-3.3.0-win32.zip(==3.3，已知3.5版本会报错)

-解压后将.exe放到C:

– 在 /// 打开，运行 //*.proto –=.

3.训练数据准备（标注分类图片）

– 安装用于手动标记图片，图片需要为png或jpg格式

– 将注解信息保存为xml文件，使用该脚本将所有xml文件转换为csv文件（xml文件路径在第29行标识，根据情况修改）

– 将生成的csv文件分为训练集和测试集

4.生成文件

– 使用此脚本从两个csv文件生成两个文件（训练自己的模型，必须使用格式文件。图片路径在第86行标识，可以根据情况修改）

5.创建标签映射文件

id需要从1开始，class-N是你需要识别的对象类别的名称，文件后缀是.pbtxt

项目{

id:1

名称：’class-1′

}

项目{

id:2

名称：’class-2′

}

6.下载模型和配置文件

– 下载模型（文件扩展名为 .tar.gz）

– 修改对应的训练配置文件

– 找到文件中的D字段并进行相应修改

– 更改模型包含的类别数量

– 解压后 .tar.gz 文件的路径 + /model.ckpt

-point:true

–

– 格式化train.csv生成的训练数据

– 在步骤 5 中创建的 pbtxt 文件的路径

–

– 格式化 test.csv 生成的训练数据

– 在步骤 5 中创建的 pbtxt 文件的路径

7. 训练模型

-进入///目录，运行

/train.py — –=${} //第六步修改的配置文件路径 // –=${} //生成的模型保存路径 //

8.导出模型

– 在第7步中–指向的路径会生成一系列自动保存的训练文件，一个由后缀为.data-00000-of-00001.index和.meta的三个文件组成，仍然在第7步的路径，运行

/ph.py — — ${} //第6步修改的配置文件路径// –refix ${} //以上之一，如model.ckpt-// — ${ } //输出模型文件的路径 //

– 目前直接使用h.py会报错。解决方法是更改​​/目录下.py文件的第71行

= .(=..ON)

改成

= .()

9.使用新模型识别图片

-在/路径下打开orial.ipynb文件

– 修改第4步的代码，指向第8步导出模型路径中的ph.pb文件

– 修改第4步的代码，指向第5步创建的pbtxt文件的路径

– 在第四步代码中修改模型中实际包含的类别个数

– 注释掉步骤 5 中的所有代码

-修改第九步代码中的DIR指向要识别的图片文件夹路径

-修改第九步代码，修改文件名和扩展名为实际图片格式，如果图片为1.bmp,2.bmp…则改成’ {}。 bmp’，并修改i的取值范围，覆盖所有要检测的图片

参考文档