0. 前言
- 之前学习了 balancap/SSD-Tensorflow。
- 我的笔记：SSD-TensorFlow 源码解析
- 这个项目的源码相对容易，对物体检测初学者非常友好，学习完了之后对SSD的基本流程都有了较为详细的了解。
- 但若想将该项目用于今后实践，可能不太合适。
- 只有SSD算法，没有Faster-RCNN系的算法实现。
- 该repo已经不再更新，且提供的pre-trained model非常有限。
- 最终选择 tensorflow/models/research/object_detection/ （之后可能会看看 facebookresearch/Detectron）
- 非常完善，有大量R-CNN和SSD的Pre-treained model提供。
- 代码模块化很好，如果要二次开发也非常方便。
- 个人感想：
- 这个坑挖得有点大……希望早日填完……
1. 计划
1.1. 已完成
- TensorFlow Object Detection API 源码(1) DetectionModel
- TensorFlow Object Detection API 源码(2) 组件介绍
- TensorFlow Object Detection API 源码(3) builders
- TensorFlow Object Detection API 源码(4) 数据集
1.2. TODO
- 各种组件介绍
2. 参考资料
2.1. 官方文档简介
- 在 models/research/object_detection/g3doc/ 中有很多官方文档可以学习。
- Configuring the Object Detection Training Pipeline：总体介绍了一下配置文件。
- 其实开始我根本没看懂，直到在这里找到了很多配置文件的sample。
- Defining your own model：介绍了模型的总体结构。
- Tensorflow detection model zoo：各种pre-trained model。
- Supported object detection evaluation protocols：预测metric选择，配置文件中的一个选项。
- 可以参考 evaluator.py 中的
EVAL_METRICS_CLASS_DICT以及对应的具体实现。 - Exporting a trained model for inference：将训练时保存的模型转换格式，方便后续使用。
- FAQ：常见问题解答。
- Installation：安装所需环境。
- Run an Instance Segmentation Model：执行Instance Segmentation任务。
- Inference and evaluation on the Open Images dataset：在 Open Images Dataset 中验证模型、输出结果。
- Preparing Inputs：构建数据集。
- Running Locally：本地训练、预测模型。
- Quick Start: Jupyter notebook for off-the-shelf inference：有点囧，应该是给“新新新手”的吧。
- Running on Google Cloud Platform：给 google cloud 打广告。
- Quick Start: Distributed Training on the Oxford-IIIT Pets Dataset on Google Cloud：分布式训练的样例。
- Preparing Inputs：创建自己的数据集。
2.2. 其他参考资料
- 知乎讨论：谷歌开放的TensorFlow Object Detection API 效果如何？对业界有什么影响？
- 看完各位大佬的回答瑟瑟发抖，果然还有很长的路要走。
- CSDN：Wayne2019的博客
- Tensorflow object detection API 源码阅读笔记：架构
- Tensorflow object detection API 源码阅读笔记：基本类（1）
- Tensorflow object detection API 源码阅读笔记：Fast r-cnn
- Tensorflow object detection API 源码阅读笔记：RFCN
- Tensorflow object detection API 源码阅读笔记：Mask R-CNN
- CSDN：王某的博客
