硬件環境
操作系統：ubuntu16.04LTS
顯卡：GTX1080Ti 10G顯存 內存32G
代碼託管在碼雲，因爲github實在是太慢了，老是timeout，翻牆也不行，搞了半天搞不定，突然看到中國有碼雲這個神器，以後就用碼雲來放代碼了。
環境配置：
基於miniconda創建的python2.7環境
自己寫一些腳本是用python3.6，訓練環境是用python2.7，不過統一用python3.6的問題也不大
tensorflow 中object_detection環境配置
Tip
（1）在linux下按官方要求配置行雲流水，在windows下比較麻煩些，搞深度學習建議放棄windows，使用ubuntu會少走很多坑。
（2）有GPU就裝GPU版本tensorflow，沒有GPU裝CPU，不能同時裝兩個版本
（3）tensorflow models需要另外下載
（4）建議將如下代碼改成在系統環境變量中添加，否則每次終端運行都需要加環境變量。
export PYTHONPATH=$PYTHONPATH:`pwd`:`pwd`/slim數據準備
使用LabelImg對圖片進行標註，標註的格式需要選擇pascal voc，
快捷鍵：
W:標註 A：上一張 D:下一張 軟件右上方選擇默認標註的標籤。
生成的xml文件分成兩個文件夾train_xml和test_xml，一個用來訓練，一個用來驗證，注意是驗證不是測試！驗證是拿來計算損失的
下面的所有需要更改的對着源碼使用
標籤
mscoco_label_map.pbtxt
該文件可以在tensorlfow models裏搜索的，這個名字和路徑以及序號之後會用到，我只需要檢測一個目標，所以內容如下圖所示，（一個item代表一個目標，使用的vscode編輯的，id必須從1開始，因爲沒有目標也算其中一種檢測結果）
item {
id: 1
name: "barcode"
}ubuntu就用vim吧，windows的不建議用記事本，之前用記事本噴到一個坑，而且很多時候使用記事本打開文件後再保存會導致該文件不可用。
生成數據
xml_to_tfrecode.py
tensorflow需要使用的是tfrecode格式數據，但是官方的函數是先轉成csv，然後轉成tfrecode格式，實在是太麻煩，而且最煩的就是運行python還要加這麼多參數，所以改了下代碼一步到位，根據自己的路徑自己更改下代碼直接運行。
配置位置：
train_xml_path = './trainxmls'
test_xml_path = './testxmls'
#outputPath是那個目錄名
outputPath = './data'
image_path = './images'
train_csv_path=os.path.join(outputPath, 'train.csv')
test_csv_path=os.path.join(outputPath, 'test.csv')
#train_recode_path和test_recode默認爲放在同一個文件目錄下
train_recode_path=os.path.join(outputPath, 'train.record')
test_recode_path=os.path.join(outputPath, 'test.record')# TO-DO replace this with label map
def class_text_to_int(row_label):
if row_label == 'barcode':
return 1
else:
None
序號按照之前標籤規定的來寫配置
faster_rcnn_inception_v2_coco.config中，需要更改的地方主要有：
num_classes: 2
batch_size: 16
num_steps: 50000
fine_tune_checkpoint: "models/model.ckpt"
input_path: "data/train.record"
label_map_path: "data/mscoco_label_map.pbtxt"
下面這個是在驗證集的配置中
input_path: "data/test.record"
label_map_path: "data/mscoco_label_map.pbtxt"訓練
在train.py中進行訓練，詳見
'''
modify these configs to run the train.py
python train.py --logtostderr
'''
FLAGS.pipeline_config_path='faster_rcnn_inception_v2_coco.config'
FLAGS.train_dir='models/train'導出模型
使用export_inference_graph.py導出模型,需要配置的地方如下：
'''
trange the config for your project and run the script
python export_inference_graph.py --input_type image_tensor
'''
FLAGS = flags.FLAGS
FLAGS.pipeline_config_path='./faster_rcnn_inception_v2_coco.config'
FLAGS.trained_checkpoint_prefix='./models/train/model.ckpt-30000'
FLAGS.output_directory='./fine_tuned_model' 模型測試
運行testModel.py,需要配置的屬性：
PATH_TO_CKPT = './fine_tuned_model/frozen_inference_graph.pb'
PATH_TO_LABELS='data/mscoco_label_map.pbtxt'
PATH_TO_TEST_IMAGES_DIR = 'test'
PATH_TO_SAVE_IMAGES_DIR = 'result'
NUM_CLASSES = 2測試結果
tensorlow object detection 目標檢測系列一些資料
使用TensorFlow Object Detection API進行物體檢測
使用tensorflow object detection api訓練自己的數據
tensorflow訓練模型庫
國外論壇教你一步一步訓練自己的模型
利用TF_Object_detection_API 訓練自己的模型
目標檢測筆記二：Object Detection API 小白實踐指南
深度學習入門篇–手把手教你用 TensorFlow 訓練模型
Tensorflow訓練自己的Object Detection模型並進行目標檢測
TensorFlow使用object detection訓練並識別自己的模型
如何在Windows下使用Tensorflow Object Detection API
老外的教程