制作自己的目标检测数据集再利用tf-faster-rcnn训练
1.制作数据集的工具
我利用数据集标注工具是精灵标注助手，我认为很好用。奉劝一句标注数据集时不要随便找人给你标，如果他没有用心给你标注，你在后面训练会出现很多问题。在一开始标注数据集的时候不要一下子给他标注完，先标注几十张图片，然后用在你的网络里，看看有没有错误，如果没有问题就按这种方式标，如果有，再找出原因，在后面标注的过程中注意。
2.仿照VOC2007制作数据
解压VOC2007数据集后可以看到VOC2007文件夹下有以下5个文件夹：
(1)JPEGImages
这个文件夹存放的是你目标检测训练和测试用的所有图片，打开JPEGImages文件可以看到下图的图片命名方式，仿照这个格式，因此首先你要把自己的图片重命名为000000.jpg这种格式，然后把图片统一放到JPEGImages文件夹下面。
注意图片的后缀是.jpg，别的也行，只不过这样修改会减少后面训练时候不必要的麻烦。
（2）Annotations
这个文件夹是JPEGImages文件夹中对应图片的.xml格式，打开可以看到：
那么对于自己的数据集该怎么做呢，我们用到的就是第一部分提到的标注工具，这个软件有教程，很容易就会，制作完自己的数据集之后导出pascal_voc格式就可以了。
（3）ImageSets
这个文件夹下面有三个文件夹，主要用到的就是Main文件，其余的两个文件我们不用管它，打开Main文件可以看到有好多txt文件，那么在制作我们自己的Main时候真正用到的文件只有4个：
test.txt：测试集
train.txt：训练集
val.txt：验证集
trainval.txt：训练和验证集
这个4个文件的制作方法，我用的是python代码生成：
import os
import random
trainval_percent = 0.66
train_percent = 0.5
xmlfilepath = 'Annotations' # 绝对路径
txtsavepath = 'ImageSets\Main' # 生成的四个文件的存储路径
total_xml = os.listdir(xmlfilepath)
num=len(total_xml)
list=range(num)
tv=int(num*trainval_percent)
tr=int(tv*train_percent)
trainval= random.sample(list,tv)
train=random.sample(trainval,tr)
ftrainval = open('ImageSets/Main/trainval.txt', 'w')
ftest = open('ImageSets/Main/test.txt', 'w')
ftrain = open('ImageSets/Main/train.txt', 'w')
fval = open('ImageSets/Main/val.txt', 'w')
for i in list:
name=total_xml[i][:-4]+'\n'
if i in trainval:
ftrainval.write(name)
if i in train:
ftrain.write(name)
else:
fval.write(name)
else:
ftest.write(name)
ftrainval.close()
ftrain.close()
fval.close()
ftest .close()运行完之后就可以得到上面4个文件了。
（4）其余的两个文件SegmentationClass和SegmentationObject直接忽略就可以了，这是用在图像分割的。
3. 在faster rcnn中训练自己的数据集
（1）修改lib/datasets/pascal_voc,py，
# self._classes = ('__background__', # always index 0
# 'aeroplane', 'bicycle', 'bird', 'boat',
# 'bottle', 'bus', 'car', 'cat', 'chair',
# 'cow', 'diningtable', 'dog', 'horse',
# 'motorbike', 'person', 'pottedplant',
# 'sheep', 'sofa', 'train', 'tvmonitor')（2）修改tools/demo.py
# CLASSES = ('__background__',
# 'aeroplane', 'bicycle', 'bird', 'boat',
# 'bottle', 'bus', 'car', 'cat', 'chair',
# 'cow', 'diningtable', 'dog', 'horse',
# 'motorbike', 'person', 'pottedplant',
# 'sheep', 'sofa', 'train', 'tvmonitor')和
net.create_architecture("TEST", （数据集类别+1）,
tag='default', anchor_scales=[8, 16, 32])（3）删除data目录下的cache文件夹
4.运行出现的错误
通常遇到的错误是：assert (boxes[:, 2] >= boxes[:, 0]).all() 报错
解决方法再这里说的很详细，会帮你解决。