使用object detection训练并识别自己的模型

1.安装tensorflow(version>=1.4.0)

2.部署tensorflow models
　　- 在这里下载
　　- 解压并安装
　　　　- 解压后重命名为models复制到tensorflow/目录下
　　　　- 在linux下
　　　　　　- 进入tensorflow/models/research/目录，运行protoc object_detection/protos/*.proto –python_out=.
　　　　　　- 在~/.bashrc file.中添加slim和models/research路径
　　　　　　export PYTHONPATH=$PYTHONPATH:/path/to/slim:/path/to/research
　　　　- 在windows下
　　　　　　- 下载protoc-3.3.0-win32.zip(version==3.3,已知3.5版本会报错) 
　　　　　　- 解压后将protoc.exe放入C:\Windows下
　　　　　　- 在tensorflow/models/research/打开powershell，运行protoc object_detection/protos/*.proto –python_out=.

3.训练数据准备(标记分类的图片)
　　- 安装labelImg 用来手动标注图片 ，图片需要是png或者jpg格式
　　- 标注信息会被保存为xml文件，使用 这个脚本 将所有xml文件转换为一个csv文件（xml文件路径识别在29行，根据情况自己修改）
　　- 把生成的csv文件分成训练集和测试集

4.生成TFRecord文件
　　- 使用 这个脚本 将两个csv文件生成出两个TFRecord文件（训练自己的模型，必须使用TFRecord格式文件。图片路径识别在86行，根据情况自己修改）

5.创建label map文件
　　id需要从1开始，class-N便是自己需要识别的物体类别名，文件后缀为.pbtxt
　　　　item{
　　　　　　id:1
　　　　　　name: ‘class-1’
　　　　　　}
　　　　item{
　　　　　　id:2
　　　　　　name: ‘class-2’
　　　　　　}

6.下载模型并配置文件
　　- 下载一个模型（文件后缀.tar.gz）
　　- 修改对应的训练pipline配置文件 
　　　　- 查找文件中的PATH_TO_BE_CONFIGURED字段，并做相应修改
　　　　　　- num_classes 改为你模型中包含类别的数量
　　　　　　- fine_tune_checkpoint 解压.tar.gz文件后的路径 + /model.ckpt
　　　　　　- from_detection_checkpoint:true
　　　　　　- train_input_reader
　　　　　　　　- input_path 由train.csv生成的record格式训练数据
　　　　　　　　- label_map_path 第5步创建的pbtxt文件路径
　　　　　　- eval_input_reader
　　　　　　　　- input_path 由test.csv生成的record格式训练数据
　　　　　　　　- label_map_path 第5步创建的pbtxt文件路径

7. 训练模型
　　- 进入tensorflow/models/research/目录，运行
　　python object_detection/train.py –logtostderr  –pipeline_config_path=${PATH_TO_YOUR_PIPELINE_CONFIG} //第六步中修改的pipline配置文件路径// –train_dir=${PATH_TO_TRAIN_DIR} //生成的模型保存路径//

8.导出模型
　　- 在第7步中，–train_dir指向的路径中会生成一系列训练中自动保存的checkpoint，一个checkpoint由三个文件组成，后缀分别是.data-00000-of-00001 .index和.meta，任然在第7步的路径中，运行
　　　　python object_detection/export_inference_graph.py –input_type image_tensor  –pipeline_config_path ${PIPELINE_CONFIG_PATH} //第六步中修改的pipline配置文件路径// –trained_checkpoint_prefix ${TRAIN_PATH} //上述的一个checkpoint，例如model.ckpt-112254// –output_directory ${OUTPUT_PATH} //输出模型文件的路径//
　　- 目前直接使用export_infernce_graph.py会报错，解决方法是将object_detection/目录下的export.py文件中第71行的
　　rewrite_options = rewriter_config_pb2.RewriterConfig(layout_optimizer=rewriter_config_pb2.RewriterConfig.ON)
　　改为
　　rewrite_options = rewriter_config_pb2.RewriterConfig()

9.使用新模型识别图片
　　- 在jupyter notebook中打开object_detection/路径下的object_detection_tutorial.ipynb文件
　　- 修改第四步代码中的PATH_TO_CKPT，指向第8步导出模型路径中的frozen_inference_graph.pb文件
　　- 修改第四步代码中的PATH_TO_LABELS，指向第5步创建的pbtxt文件路径
　　- 修改第四步代码中的NUM_CLASSES为模型实际包含的类别数
　　- 注释掉第五步所有代码
　　- 修改第九步代码中的PATH_TO_TEST_IMAGES_DIR， 指向待识别图片文件夹路径
　　- 修改第九步代码中TEST_IMAGE_PATHS， 将文件名和扩展名修改为实际图片格式，如图片为1.bmp、2.bmp… 则对应改为'{}.bmp’，同时修改i值范围以覆盖所有待检测图片

参考文档

https://gist.github.com/douglasrizzo/c70e186678f126f1b9005ca83d8bd2ce
https://towardsdatascience.com/how-to-train-your-own-object-detector-with-tensorflows-object-detector-api-bec72ecfe1d9