tensorflow object detection API训练公开数据集Oxford-IIIT Pets Dataset

为了避免不必要的麻烦，先说一下我的系统版本

Python 3.6 tensorflow 1.10 windows 7

object detection API安装

object detection API 安装参见官方的github: https://github.com/tensorflow/models/tree/master/research/object_detection

这里需要特别强调一下，一定要检查一下，下面的python的包都安装了，方法很简单，全部执行一遍

coco API安装

windows下面不需要--user选项，Oxford-IIIT Pet 数据集使用coco metrix， 所以下面必须执行这个命令行：

1. pip install git+https://github.com/philferriere/cocoapi.git#subdirectory=PythonAPI

在windows下面遇到utf-8编码错误

如下修正：

C:\Program Files\Python\Python36\Lib\site-packages\pip\compat\_init_.py

79行改成gbk， utf-8替换为gbk， 不一定是是79行。再次执行即可成功安装

创建训练数据记录tfrecord

下载好Oxford-IIIT Pets Dataset数据集，解压缩到这里

然后执行下面的命令行：

训练数据成功创建在指定目录：先切换到指定目录，完整的命令行执行

1. D:\tensorflow\models\research>python objectdetection/datasettools/createpettfrecord.py --labelmappath=objectdetection/data/petlabelmap.pbtxt

2. --datadir=D:/petdata --output-dir=D:\tensorflow\mytrain\data

3. 还不会看这里：

4. https://github.com/tensorflow/models/blob/master/research/objectdetection/g3doc/preparing_inputs.md

迁移学习

这步成功以后，就可以开始执行真正的训练啦，等等，别着急，我们是基于预训练模型的迁移学习，所以还有几件事情必须搞定，

下载预训练的tensorflow模型，我这里下载的是

http://download.tensorflow.org/models/objectdetection/ssdmobilenetv1coco201801_28.tar.gz

解压缩到指定目录，我的完整目录结构如下：

其实有+加号的表示目录文件夹， - 表示文件

labelmap file来自 D:\tensorflow\models\research\objectdetection\data\petlabelmap.pbtxt pipeline config file来自 D:\tensorflow\models\research\objectdetection\samples\configs\ssdmobilenetv1pets.config

直接copy过来，然后打开

开始修改，把所有【PATH_TO_BE_CONFIGURED】都改到正确路径上来：

保存好啦，然后直接执行训练的命令行：

各个参数选项解释如下：

1. --pipelineconfigpath

2. 训练时候配置目录，所有关于训练各种输入路径、参数模型、参数网络配置，都在这个里面。

3. --modeldir

4. 训练时候会写文件的目录，训练完成输出的模型保存目录

5. --numtrainsteps

6. 训练多少个steps

7. --numeval_steps

8. 多少个eval， 基本上两者要相差10倍以上 steps : eval

9. --alsologtostderr

10. 表示日志信息

如果遇到这个错误

TypeError: can't pickle dictvalues objects

这样修改,打开model_lib.py

D:\tensorflow\models\research\objectdetection

继续训练就会很OK

启动tensorboard查看训练过程： CPU 太慢了，半天走一个step

【推荐阅读】

学易而好难 行易而力难 耻易而知难

关注【OpenCV学堂】

长按或者扫码二维码即可关注

tensorflow+opencv 深度图像

+QQ群 573300093