该代码来源于tensorflow object_detection api，有兴趣得可以参考原码
Tensorflow Object Detection API depends on the following libraries:
Protobuf 3.0.0（我的protoc-3.4.0-win32.zip，protoc-3.5.0-linux-x86_64.zip，下载地址在这里）；Python-tk；Pillow 1.0；lxml；Jupyter notebook；Matplotlib；Tensorflow (>=1.12.0,低于1.12.0会报错)；Cython；contextlib2；cocoapi
# For CPU
pip install tensorflow
# For GPU
pip install tensorflow-gpu
git clone https://github.com/cocodataset/cocoapi.git
cd cocoapi/PythonAPI
make
cp -r pycocotools /tf_models/
# From tf_models/
./bin/protoc object_detection/protos/*.proto --python_out=.
如果出错建议采用绝对路径
# From tf_models/
export PYTHONPATH="$PYTHONPATH:`pwd`:`pwd`/slim"
'pwd'为tf_models绝对路径
在 ‘此电脑’-‘属性’- ‘高级系统设置’ -‘环境变量’-‘系统变量’ 中新建名为‘PYTHONPATH’的变量，将tf_models及 tf_models/slim 两个文件夹的完整目录添加
进去
python object_detection/builders/model_builder_test.py
如果不出错，输出OK即为配置成功
1、新建xxx.pbtxt文件，添加如下内容，注意id从1开始，0留作背景使用，id数为类别数 # From tf_models/object_detection/data
item {
id: 1
name: 'aeroplane'
}
item {
id: 2
name: 'bicycle'
}
2、 新建xxx.config文件,可从tf_models/object_detection/samples/configs中找到需要的配置文件进行修改 # From tf_models/object_detection/XXX 主要修改如下内容
num_classes: 2 \#为自己类别数量
fine_tune_checkpoint: "object_detection/CHECKPOINT_PATH/model.ckpt"
train_input_reader: {
tf_record_input_reader {
input_path: "object_detection/data/train.record"
}
label_map_path: "object_deteciton/data/xxx.pbtxt"
}
eval_config: {
num_examples: 240 #为自己的验证集数量
visualize_groundtruth_boxes: true #是否显示真实GT
visualization_export_dir:"object_detection/newstar/newstar_eval"#验证集检测结果输出目录
num_visualizations:20 #验证可视数量
metrics_set: "coco_detection_metrics"
}
eval_input_reader: {
tf_record_input_reader {
input_path: "object_detection/data/val.record"
}
label_map_path: "object_deteciton/data/xxx.pbtxt"
shuffle: false
num_readers: 1
}
CHECKPOINT_PATH为自己的预训练节点路径,num_examples为验证集数量，metrics_set为评价指标
1、利用CSV生成tfrecords
（1）、运行check_imgs.py检查图片与CSNV信息准确
（2）、运行generate_tfrecord.py 生成tfrecords,命令为：
python generate_tfrecord.py --csv_input=${CSV_PATH} --image_dir=${IMGGES_DIR} --output_path=${OUTPUT_PATH}
${CSV_PATH}为CSV文件路径，${IMGGES_DIR}为图像路径，${OUTPUT_PATH}为生成得tfrecord文件 2、利用图像与XML文件生成tfrecord，命令为：
python dataset_tools/create_disk_tf_record.py --data_dir=${DATA_DIR} --images_dir=${IMGGES_DIR}
--annotations_dir=${ANNOTATIONS_DIR} --output_path=${OUTPUT_PATH}
${DATA_DIR}为数据根目录，${IMGGES_DIR}为图像路径，${ANNOTATIONS_DIR}为XML文件路径，都位于${DATA_DIR}内，${OUTPUT_PATH}为生成得tfrecord文件
# From tf_models/
python object_detection/model_main.py \
--pipeline_config_path=${PIPELINE_CONFIG_PATH} --model_dir=${MODEL_DIR} \
--num_train_steps=${NUM_TRAIN_STEPS} \ --sample_1_of_n_eval_examples=$SAMPLE_1_OF_N_EVAL_EXAMPLES \
--alsologtostderr
${PIPELINE_CONFIG_PATH}为xxx.config文件路径，${MODEL_DIR}为检查点保存路径可与xxx.config设置到一起，${NUM_TRAIN_STEPS} 为训练的steps数量
$SAMPLE_1_OF_N_EVAL_EXAMPLES一般设置为1，即每个验证集数据都评估
trick-限制GPU数
（1）将CUDA_VISIBLE_DEVICES=1,置于训练命令前用于选择GPU，1指训练所用的GPU号，或者将如下代码置于model_main.py前
import os
os.environ["CUDA_VISIBLE_DEVICES"] = "2"
（2）定量设置显存，0.7为所占显存比
gpu_options = tf.GPUOptions(per_process_gpu_memory_fraction=0.7)
sess = tf.Session(config=tf.ConfigProto(gpu_options=gpu_options))
将第1行更改为tf.GPUOptions(allow_growth=True)即是按需设置显存
（3）更改batch_size，多GPU运行
在训练命令中增加如下两行,同时可修改config文件中batch_size的数量为num_clones的倍数，即可分布式训练
--num_clones=2 \#指定GPU卡的数量。
--ps_tasks=1 \#指定参数伺服器的数量。
trick-进程转入后台
output.out 2>&1 &可置于训练命令末尾，在服务器中可用于将训练进程转入后台
ssh -L 6006:127.0.0.1:6006 账号@主机 -p 端口
# From tf_models/${MODEL_DIR}为检查点路径
输入 tensorboard --logdir ${MODEL_DIR}
本地浏览器打开 127.0.0.1:6006/即可观看损失函数变化
python object_detection/export_inference_graph.py --input_type=${INPUT_TYPE} \
--pipeline_config_path=${PIPELINE_CONFIG_PATH} --trained_checkpoint_prefix=${TRAINED_CKPT_PREFIX} \
--output_directory=${EXPORT_DIR}
${INPUT_TYPE} 一般设置为image_tensor， ${PIPELINE_CONFIG_PATH}为xxx.config文件路径，${TRAINED_CKPT_PREFIX}即检查点路径+检查点号，${EXPORT_DIR}为模型输出路径
##模型测试