目标检测实战5-训练自己的目标检测模型

1. 准备数据集，标注数据（使用labelimg）

注1. 本次实验中使用到的 generate_tfrecord.py 以及 xml_to_csv.py文件下载地址github代码

注2. 本次实验准备的VOC2007的数据集，数据集下载地址如下参考我的第一篇实战的博客

本次实验中，建立文件夹，将VOC2007中的训练图片，以及标注放到刚文件夹下，如图

2. xml文件转化为csv文件，为做训练的.record格式文件做准备

创建 xml_to_csv.ipynb文件，编写代码如下：参考我的博客目标检测实战2-XML文件转换为CSV文件

3. 生成tfrecord格式文件

创建generate_tfrecord.ipynb文件，生成tfrecord格式文件，其中# TO-DO replace this with label map下的内容需要你根据自己的数据集制作的标注进行修改，我们使用的VOC2007数据集中的标注类别为20类，本次我们创建自己的模型，generate_tfrecord.ipynb需要使用TensorFlow models中object_detection.utils中的文件，所以我们将该utils文件夹复制到当前文件夹中，对于TensorFlow models下载，参考我的博客目标检测实战4-运行object_detection_tutorial demo

注：如果出现 错误

tensorflow.python.framework.errors_impl.NotFoundError: NewRandomAccessFile failed to Create/Open:

参考我的博客目标检测实战3-generate_tfrecord错误tensorflow.python.framework.errors_impl.NotFoundError:
或者参考这篇博客TensorFlow之目标检测API接口调试（超详细）

4. 准备 .pbtxt文件，该文件的格式需要与generate_tfrecord文件中的TO-DO下面的类别编号一致

5. 选取预训练模型

model.ckpt文件为训练模型，一般采用预训练模型，可以降低训练所需要的时间，根据实际需求选择适合自己的模型，可以在github目标检测模型中下载自己想要的模型，然后将名字中有model.ckpt文件移动到一个目录中，本次实验中使用的模型是***ssd_mobilenet_v1_coco_2017_11_17***，将该模型解压，选择.ckpt文件，复制到文件夹trainingModel中，如图所示

6. 修改配置文件

可以在下载的TensorFlow model中的objectDetec\models-r1.5\research\object_detection\samples\configs下找到与模型相关的config文件，然后对config文件进行修改

配置文件的修改：

1. num_classes：？## 根据你标注的类别进行修改
2. batch_size:? ### 批次的大小，根据自己的CPU或者GPU修改
3. num_steps: ? ### 训练次数（后期更改训练次数，模型可以从以前训练结束的地方开始继续训练）
4. fine_tune_checkpoint: /x/x/model.ckpt ### 对已经训练好的模型进行微调
5. train_input_reader/input_path： 训练保存的record文件
6. train_input_reader/label_map_path：label_map的.pbtxt文件
7. eval_input_reader/input_path： 验证集的record文件（没有验证集就填写训练集或者空）
8. eval_input_reader/label_map_path：label_map的.pbtxt文件
   9.eval_config/num_examples: 验证集中的图片数量

配置如图：

7. 训练模型

将 TensorFlow model中的object_detection文件夹复制到当前文件夹中，然后运行如下命令，就开始训练

python train.py --logtostderr --train_dir=模型输出文件夹 --pipeline_config_path=config文件

python train.py --logtostderr --train_dir=train_dir --pipeline_config_path=ssd_mobilenet_v1_coco.config

使用当前版本（2.0-alpa）执行命令时，出现了错误：

1. AttributeError: module ‘tensorflow.compat.v1’ has no attribute ‘contrib’

所以无奈之下，进行重新安装TensorFlow的版本，要卸载原来的版本
卸载命令 pip uninstall tensorflow
安装命令 pip install tensorflow==1.14
接着又是各种错误信息出现，所以在忍无可忍的情况下，开始创建虚拟环境进行该实验，出错信息如下：

2. UnicodeDecodeError: ‘utf-8’ codec can’t decode byte 0xc0 in position 365: invalid start byte

在github上面有 issues

错误原因，是我在config文件之中写了中文的注释，导致的问题！！！！！去掉中文注解后，运行程序，出现一个错误：

3. ValueError: axis = 0 not in [0, 0)，然后又是解决错误的时候，通过这个issues解决问题

该过程中可能出现的一个错误是

4. ModuleNotFoundError: No module named ‘deployment’

该错误的解决方案可以去参考一些博客，别人写的比较详细，不做重复劳动，简言之就是将路径添加进环境变量中，windows中，设置变量是使用 set, linux系统中使用 export
知乎解决方案
issues
github项目参考

出现期待的训练过程

8. 模型的导出（将ckpt文件转化为pb文件）

执行命令

python export_inference_graph.py --input_type image_tensor --pipeline_config_path my.config --trained_checkpoint_prefix train_dir/model.ckpt-XXXX --output_directory models

生成自己的模型之后，就可以使用实战4来进行检测成果

9. 评估模型（生成可视化的tfbord，在训练的时候也生成了可视化的文件）

评估模型的时候，会使用到配置文件之中的验证集

执行命令

python eval.py --logtostderr --pipeline_config_path=my.config --eval_dir=eval_dir/ --checkpoint_dir=train_dir/