一、背景介绍
1. 应用场景
a. 计数： 统计人，车，花甚至是微生物数量，在大部分基于图像的系统中都要使用，尤其广泛应用于监控视频设备系统
b. 视觉搜索引擎：目标检测作为索引图像内容的处理流程之一。比如，你可以在不同的背景下找到某个特定的钱包
c. 空中影像分析：应用无人机摄像对人难以到达的地方进行自动监测（例如BetterView）或者使用物体检测方法进行整体分析（例如TensorFlight）
2. 深度学习模型进阶流程
a. overfit：
b.RCNN
c. fast-RCNN
d.YOLO
e.faster-RCNN
f.SSD
g.R-FCN
3. 数据集
a. ImageNet
b. COCO
c. Pascal VOC
d.Oxford-IIIT Pet
e.KITTI Vision
二、模型版本
https://github.com/tensorflow/models/tree/266c7b87251dac41e977f3167f39078954f609dd/research/object_detection
三、走通版本3 （tensorflow 官网）
3.1 安装环境
a. 下载代码
git clone https://github.com/tensorflow/models.git
b. 安装
sudo apt-get install protobuf-compiler python-pil python-lxml
sudo pip install jupyter
sudo pip install matplotlib
c. 配置环境
# From tensorflow/models/research/
protoc object_detection/protos/*.proto --python_out=.
# From tensorflow/models/research/
export PYTHONPATH=$PYTHONPATH:`pwd`:`pwd`/slim
每次打开命令框需要重新输入export PYTHONPATH=$PYTHONPATH:`pwd`:`pwd`/slim
#######################################################################################
配置路径，开机启动，自动遍历此文件的指令
1>. home/coolpad/.bashr最下方增加：
export PYTHONPATH=$PYTHONPATH:/home/coolpad/models/research:/home/coolpad/models/research/slim
2>. 开机重启生效，不重启则需要在命令框运行source /home/coolpad/.bashrc
########################################################################################
d.查看是否配置成功
python object_detection/builders/model_builder_test.py
成功则出现：Ran 11 tests in 0.026s OK
3.2 使用API训练模型
利用 TF Object Detection API 用COCO-pretrained Faster R-CNN with Resnet-101 model 预训练迁移训练一个 Faster RCNN 目标检测模型，使用faster_rcnn_resnet101网络训练 Oxford-IIIT 宠物数据集
a. 下载训练集
下载图片：wget http://www.robots.ox.ac.uk/~vgg/data/pets/data/images.tar.gz
解压图片：tar -xvf images.tar.gz
下载标注文件：wget http://www.robots.ox.ac.uk/~vgg/data/pets/data/annotations.tar.gz
解压标注文件：tar -xvf annotations.tar.gz
b.转tfrecord
python object_detection/create_pet_tf_record.py \
--label_map_path=object_detection/data/pet_label_map.pbtxt \
--data_dir=`pwd` \
--output_dir=`pwd`
c. 下载预训练的权重
wget http://storage.googleapis.com/download.tensorflow.org/models/object_detection/faster_rcnn_resnet101_coco_11_06_2017.tar.gz
tar -xvf faster_rcnn_resnet101_coco_11_06_2017.tar.gz
e. 建立训练文件夹
在任何路径mkdir my_train
将转换的pet_train.record、pet_val.record复制到此文件夹
将object_detection/data/pet_label_map.pbtxt复制到此文件夹
将object_detection/samples/configs/faster_rcnn_resnet101_pets.config复制到此文件夹
f. 修改faster_rcnn_resnet101_pets.config代码路径
将所有的PATH_TO_BE_CONFIGURED替换为my_train 的路径
将fine_tune_checkpoint: "×××××××" 的×××××替换成下载的预训练权重的路径
g.运行训练
cd /root/myfloder/models/research python3 object_detection/train.py \
--logtostderr \ --pipeline_config_path='./my_train/faster_rcnn_resnet152_pets.config' \
--train_dir='./my_train'
#####################################################################
从头开始训练模型：
将 fine_tune_checkpoint: "20170820/model.ckpt"
from_detection_checkpoint: true 改成false
#####################################################################
3.4 查看训练数据：
tensorboard --logdir='./20180210'
3.5 评估训练好的网络
python3 object_detection/eval.py\
--logtostderr \ --pipeline_config_path='./my_train/faster_rcnn_resnet152_pets.config' \
--checkpoint_dir='./my_train/' \
--eval_dir='./my_train/'
以上的步骤已经走通迁移训练