Windows10下Object Detection API实战记录（3）——训练自己的目标检测模型

1、创建新模型的文件夹

网上查了很多资料，发现很多都是直接在Object Detection文件夹下创建新模型的相应文件，这无疑会使文件看起来更加混乱，所以我创建一个专门的文件夹来保存新模型相关文件。（model_1/）

将前一篇博客生成的train.record，和test.record文件分别复制到data/train/和data/test/路径下。
后继所需要的文件会在下面过程中根据需要添加。

2、下载预训练模型

打开网站https://github.com/tensorflow/models选择想要运用的预训练模型，可供选择的模型可以满足大部分任务。

本次选用的模型为ssd_mobilenet_v2_coco，下载之后解压，存放在pre_model中：

3、创建标签分类的配置文件

在（model_1/training/)文件夹下新建txt文件，键入以下内容：

item{
    id:1
    name:'sun'
}
item{
    id:2
    name:'huang'
}

记住id和mane的对应关系要与cvs_to_tfrecord.py中的保持一致。
重命名为label_map.pbtxt。（注意是pbtxt格式的文件）

4、配置config文件

在Object Detection API安装路径中（/object_detection/samples/configs/）下找到ssd_mobilenet_v2_coco.config文件：

将他复制到model_1/training/路径下，

打开ssd_mobilenet_v2_coco.config更改config文件：

# SSD with Mobilenet v2 configuration for MSCOCO Dataset.
# Users should configure the fine_tune_checkpoint field in the train config as
# well as the label_map_path and input_path fields in the train_input_reader and
# eval_input_reader. Search for "PATH_TO_BE_CONFIGURED" to find the fields that
# should be configured.

model {
  ssd {
    num_classes: 2
    box_coder {
      faster_rcnn_box_coder {
        y_scale: 10.0
        x_scale: 10.0
        height_scale: 5.0
        width_scale: 5.0
      }
    }
    matcher {
      argmax_matcher {
        matched_threshold: 0.5
        unmatched_threshold: 0.5
        ignore_thresholds: false
        negatives_lower_than_unmatched: true
        force_match_for_each_row: true
      }
    }
    similarity_calculator {
      iou_similarity {
      }
    }
    anchor_generator {
      ssd_anchor_generator {
        num_layers: 6
        min_scale: 0.2
        max_scale: 0.95
        aspect_ratios: 1.0
        aspect_ratios: 2.0
        aspect_ratios: 0.5
        aspect_ratios: 3.0
        aspect_ratios: 0.3333
      }
    }
    image_resizer {
      fixed_shape_resizer {
        height: 300
        width: 300
      }
    }
    box_predictor {
      convolutional_box_predictor {
        min_depth: 0
        max_depth: 0
        num_layers_before_predictor: 0
        use_dropout: false
        dropout_keep_probability: 0.8
        kernel_size: 1
        box_code_size: 4
        apply_sigmoid_to_scores: false
        conv_hyperparams {
          activation: RELU_6,
          regularizer {
            l2_regularizer {
              weight: 0.00004
            }
          }
          initializer {
            truncated_normal_initializer {
              stddev: 0.03
              mean: 0.0
            }
          }
          batch_norm {
            train: true,
            scale: true,
            center: true,
            decay: 0.9997,
            epsilon: 0.001,
          }
        }
      }
    }
    feature_extractor {
      type: 'ssd_mobilenet_v2'
      min_depth: 16
      depth_multiplier: 1.0
      conv_hyperparams {
        activation: RELU_6,
        regularizer {
          l2_regularizer {
            weight: 0.00004
          }
        }
        initializer {
          truncated_normal_initializer {
            stddev: 0.03
            mean: 0.0
          }
        }
        batch_norm {
          train: true,
          scale: true,
          center: true,
          decay: 0.9997,
          epsilon: 0.001,
        }
      }
    }
    loss {
      classification_loss {
        weighted_sigmoid {
        }
      }
      localization_loss {
        weighted_smooth_l1 {
        }
      }
      hard_example_miner {
        num_hard_examples: 3000
        iou_threshold: 0.99
        loss_type: CLASSIFICATION
        max_negatives_per_positive: 3
        min_negatives_per_image: 3
      }
      classification_weight: 1.0
      localization_weight: 1.0
    }
    normalize_loss_by_num_matches: true
    post_processing {
      batch_non_max_suppression {
        score_threshold: 1e-8
        iou_threshold: 0.6
        max_detections_per_class: 100
        max_total_detections: 100
      }
      score_converter: SIGMOID
    }
  }
}

train_config: {
  batch_size: 12
  optimizer {
    rms_prop_optimizer: {
      learning_rate: {
        exponential_decay_learning_rate {
          initial_learning_rate: 0.004
          decay_steps: 800720
          decay_factor: 0.95
        }
      }
      momentum_optimizer_value: 0.9
      decay: 0.9
      epsilon: 1.0
    }
  }
  fine_tune_checkpoint: "C:/Users/pang/Desktop/Python_Code/tensorflow_random_model/model_1/pre_model/model.ckpt"
  fine_tune_checkpoint_type:  "detection"
  # Note: The below line limits the training process to 200K steps, which we
  # empirically found to be sufficient enough to train the pets dataset. This
  # effectively bypasses the learning rate schedule (the learning rate will
  # never decay). Remove the below line to train indefinitely.
  num_steps: 20000
  data_augmentation_options {
    random_horizontal_flip {
    }
  }
  data_augmentation_options {
    ssd_random_crop {
    }
  }
}

train_input_reader: {
  tf_record_input_reader {
    input_path: "C:/Users/pang/Desktop/Python_Code/tensorflow_random_model/model_1/data/train/train.record"
  }
  label_map_path: "C:/Users/pang/Desktop/Python_Code/tensorflow_random_model/model_1/training/label_map.pdtxt"
}

eval_config: {
  num_examples: 8000
  # Note: The below line limits the evaluation process to 10 evaluations.
  # Remove the below line to evaluate indefinitely.
  max_evals: 10
}

eval_input_reader: {
  tf_record_input_reader {
    input_path: "C:/Users/pang/Desktop/Python_Code/tensorflow_random_model/model_1/data/test/test.record"
  }
  label_map_path: "C:/Users/pang/Desktop/Python_Code/tensorflow_random_model/model_1/training/label_map.pdtxt"
  shuffle: false
  num_readers: 1
}

（1）第9行：类别数量，我的更改为num_classes: 2
（2）第141行：根据机器性能调整，batch_size: 24
（3）第156行： 预训练模型位置（建议更改为绝对路径），我的位置更改为 fine_tune_checkpoint:“C:/Users/pang/Desktop/Python_Code/tensorflow_random_model/model_1/pre_model/model.ckpt”
（4）第175行：输入的训练文件（train.record）的地址，以及标签（labelmap.pbtxt）的所在地址
（5）第162行： num_steps: 200000 # 需要训练的step
（6）第189行：输入的测试文件（test.record）的地址，以及标签（labelmap.pbtxt）的所在地址
（7）第181行：number_examples是测试样本的个数（这里我们没有创建验证集，直接用测试集进行代替），根据实际修改

5、训练模型

Tensorflow object detection API 提供了训练脚本，将models/research/object_detection/legacy路径下的train.py文件复到model_1/文件夹下，打开终端，使用cd命令定位在model_1文件夹下：

执行一下代码：

python train.py --train_dir=result/ --pipeline_config_path=training/ssd_mobilenet_v2_coco.config --logtostderr

train_dir是生成文件的存放地址，pipeline_config_path就是配置文件的存放地址

注意：
我在这里刚开始训练会报一个错误：“error：No modul named pycocotools”
为了记录训练过程的整体性，这个错误的解决方案会在下篇博客中记录！！

训练开始：

可以按Ctrl+C随时终止训练。
result文件夹下有文件：

6、保存训练的模型

打开终端，同样定位到model_1文件夹下，输入以下命令：

python export_inference_graph.py --input_type=image_tensor  --pipeline_config_path=training/ssd_mobilenet_v2_coco.config  --trained_checkpoint_prefix=result/model.ckpt-3792（此处的编号与你的训练次数相同） --output_directory=saved_model

之后会在saved_model文件夹下保存最终的模型文件。

7、使用tensorboard查看训练情况

打开终端，同样定位到model_1文件夹下，输入以下命令：

 tensorboard --logdir=result

复制网址http://localhost:6006/，在浏览器中打开即可。

模型训练完毕！！！

最后附上文件夹model_1的内容，其中utils和object_detection_tutorial.ipynb文件用来检测的

参考

https://blog.csdn.net/weixin_42499236/article/details/83833102

下篇博客将记录
（1）“error：No modul named pycocotools”的解决方法
（2）用训练好的模型进行检测