使用TensorFlow训练模型

帧准备：

1. 下载框架代码，以ssd-为例

基于 VGG 的 SSD 网络的实现（具有 300 和 512 个输入）

2.按要求下载数据集：VOC数据集（2007和2012）或使用自己的数据集（数据集制作）

3. 下载基础模型

需要Fq下载：

4.安装（根据需要可以在IDE中修改代码直接执行，无需安装）

数据集制作：

1. 下载标记工具，这里推荐标记工具（box ）

提取码：6666

2.给自己的数据集打标签（得到一个xml文件，里面包含标签框的坐标、名称等）

创建文件路径：

–主文件夹

—放置xml生成文件的文件夹

– –放置数据集图像的文件夹

–

–Main–放置自动划分train/val/test的txt文件

3.使用.py生成一个txt文件，划分训练集、验证集、测试集，生成的文件放在Main中

4. 使用框架中的 .py 将数据集转换成方便的 tf 类型文件

在构建之后创建一个文件夹

训练模型

一、修改.py代码

1.进入SSD—>—>.py改代码，根据自己的情况改。

    VOC_LABELS = { 
        'none': (0, 'Background'), 
        'aeroplane': (1, 'Vehicle'), 
        'bicycle': (2, 'Vehicle'), 
        'bird': (3, 'Animal'), 
 　　　　...
    }

2. SSD—>—>ds.py

一个。然后将文件第83行改为’rb’: = tf.gfile.(, ‘rb’).read()

b. = 200，你可以根据自己的需要修改，可以保持不变。意思是把200张图片转换成一个文件。

3..py

一个。修改最大训练步数参数，例如将None改为50000。

b.参数根据类别数量变化，数量为类别数量加1。

s/.py

将 , , 更改为您的类别数加 1

5./.py

= 1

6..py 更改为您的类别编号加上 1.

　　　　　　会出现shape不匹配等问题

二、使用.py训练模型，注意调整参数

训练的两种情况，第一种情况，不加载模型，直接全部训练。第二种情况，加载预训练好的模型，训练一些参数。

第一种：不加载模型，直接全部训练

    python3 train_ssd_network.py 
        --train_dir=/media/comway/data/dial_SSD/SSD-Tensorflow-master/train_log/ 
        --dataset_dir=/media/comway/data/dial_SSD/SSD-Tensorflow-master/dialvoc-train-tfrecords 
        --dataset_name=pascalvoc_2007 
        --dataset_split_name=train 
        --model_name=ssd_300_vgg 
        --save_summaries_secs=60 
        --save_interval_secs=600 
        --weight_decay=0.0005 
        --optimizer=adam 
        --learning_rate=0.001 
        --learning_rate_decay_factor=0.94 
        --batch_size=16 

第二种：加载预训练好的模型，训练一些参数。从 vgg 开始训练其中一些层的参数。其实就是加了–copes，还有–。

python3 train_ssd_network.py 
    --train_dir=/media/comway/data/dial_SSD/SSD-Tensorflow-master/train_log/    #训练生成模型的存放路径
    --dataset_dir=/media/comway/data/dial_SSD/SSD-Tensorflow-master/dialvoc-train-tfrecords   #数据存放路径
    --dataset_name=pascalvoc_2007   #数据名的前缀，我觉得应该通过这个调用是2007还是2012
    --dataset_split_name=train   #是加载训练集还是测试集
    --model_name=ssd_300_vgg   #加载的模型的名字
    --checkpoint_path=/media/comway/data/dial_SSD/SSD-Tensorflow-master/checkpoints/ssd_300_vgg.ckpt   #所加载模型的路径
 --checkpoint_exclude_scopes=ssd_300_vgg/conv6,ssd_300_vgg/conv7,ssd_300_vgg/block8,ssd_300_vgg/block9,ssd_300_vgg/block10,ssd_300_vgg/block11,ssd_300_vgg/block4_box,ssd_300_vgg/block7_box,ssd_300_vgg/block8_box,ssd_300_vgg/block9_box,ssd_300_vgg/block10_box,ssd_300_vgg/block11_box 
    --trainable_scopes=ssd_300_vgg/conv6,ssd_300_vgg/conv7,ssd_300_vgg/block8,ssd_300_vgg/block9,ssd_300_vgg/block10,ssd_300_vgg/block11,ssd_300_vgg/block4_box,ssd_300_vgg/block7_box,ssd_300_vgg/block8_box,ssd_300_vgg/block9_box,ssd_300_vgg/block10_box,ssd_300_vgg/block11_box 
    --save_summaries_secs=60 #每60s保存一下日志
    --save_interval_secs=600   #每600s保存一下模型
    --weight_decay=0.0005    #正则化的权值衰减的系数
    --optimizer=adam   #选取的最优化函数
    --learning_rate=0.001   #学习率
    --learning_rate_decay_factor=0.94   #学习率的衰减因子
    --batch_size=16    
    --gpu_memory_fraction=0.9  #指定占用gpu内存的百分比

1.指定数据集的位置，即文件的位置

2. 指定基础模型的位置，框架中的一个文件夹

3. 指定生成模型的放置位置，自己创建文件夹。这是一个模型的例子

4.根据电脑配置调整batch-size等参数

问题：

执行.py时遇到错误

1.使用CPU执行代码时：

修改代码中的 DATA_FORMAT = 'NCHW'

2.提示找不到“标注名称”

在框架中datasets文件夹中pascalvoc_common.py里找到VOC_LABELS={ 。。。}， 将除去‘none’外所有不属于自己的标签都可以删掉，然后填入自己标注时的标签名称

3. 错误：Nan in for：///

    1. 修改batch-size,将数值改小 （每次处理的图像数量）
    2. 修改learning_rate，将数值改小，可改为0.0001（学习速率）
        同时修改end_learning_rate，可改为0.00001

4. 错误: 错误: : .// : ./ >> 图像 1/（最后一次调用）：文件“./.py”，第 59 行，intf.app.run()： ‘utf-8’ codec can’t byte 0xff in 0: start byte

修改：将datasets/pascalvoc_to_tfrecords.py文件83行中的读取方式由
　　　　image_data = tf.gfile.FastGFile(filename, 'r').read()
　　改为image_data = tf.gfile.FastGFile(filename, 'rb').read()

5. 错误：INFO::Error to : ，所有框必须在 [0.0, 1.0]: 1.002 中。 . .

一般是在转tfrecord文件时，tf_convert_data.py，产生错误（数据集中的数据标记不规范，出现了bbox四个坐标值落到到图像外的情况。）

解决问题方法1：
错误位置：datasets/pascalvoc_to_tfrecords.py
bboxes.append((float(bbox.find('ymin').text) / shape[0],
                       float(bbox.find('xmin').text) / shape[1],
                       float(bbox.find('ymax').text) / shape[0],
                       float(bbox.find('xmax').text) / shape[1]
                       ))
修改为：
 ymin = max(float(bbox.find('ymin').text) / shape[0], 0.0)
 xmin = max(float(bbox.find('xmin').text) / shape[1], 0.0)
 ymax = min(float(bbox.find('ymax').text) / shape[0], 1.0)
 xmax = min(float(bbox.find('xmax').text) / shape[1], 1.0)

bboxes.append(ymin, xmin, ymax, xmax)

解决问题方法2：
如果修改后还会有此类报错，也可能是图像扩展时，某个框跑到了旋转后的页面之外。
可以尝试在修改方法1中的bboxes.append(ymin, xmin, ymax, xmax)之前增加一行代码：
...

if max(ymin, xmin, ymax, xmax) > 1.0:
    return False

bboxes.append(ymin, xmin, ymax, xmax)
当筛选后的两个顶角坐标仍有超过图像尺寸的，直接跳过

注意：

数据集的图像不能太小。目前，vgg模型支持的标准图片尺寸有：224*224、300*300、512*512。图片太小会报错