結合上一章內容，本章節將結合實際需要，使用Tensorflow Object Detection API從頭訓練符合自己需求的圖和表的檢測分類模型.
需求說明：輸入拍攝的文本頁面圖片，目標是訓練一個可以正確檢測圖片上的圖和表格並在圖片畫出其bounding box，之前用yolo也做過檢測，不過效果不太好，會出現檢測不準確甚至漏檢情況，於是這次想嘗試api的檢測效果，模型使用ssd_mobilenet_v2．
１，訓練數據準備：
因爲之前用yolo做過檢測，所以訓練數據都放在一個文件夾下，另外還有一個.txt文件，.txt文件包含了圖片路徑，圖標的bounding box及對應的類別，如圖：
每行分別代表圖片路徑 xmin ymin xmax ymax label（０代表graph, 1代表table），一張圖片可能有多個圖表，所以每一行圖片可能有多個xmin ymin xmax ymax label．我分別有兩個這樣的.txt文件，一個是訓練集，一個是測試集，在後續生成tfrecode格式數據的時候分別生成即可．
２，tfrecord格式訓練數據生成：
tfrecord訓練數據的生成網上有很多，我參照官網代碼生成自己的數據，tfrecord生成的時候可以選擇生成一個或者多個.record文件，我參照最新代碼生成多個文件，具體代碼參考https://pan.baidu.com/s/1WO2OmMFyyBvqeOxtX9-xyQ,下載後將該代碼放在下載的ａｐｉ的researcｈ目錄下，然後python3 creratet_table_tf_record.py --data_dir=存放原始圖片的路徑 --output_dir=存放生成的數據的目錄（訓練和測試目錄一樣）執行即可．記得６行改成直接的圖片路徑，分別生成訓練和測試數據時候１１４行table_test.record記得改（table_test.record， table_train.record）,這是生成的訓練和測試的名字．執行完後會在指定目錄生成多個文件：
３，準備訓練配置文件：
本次使用ssd_mobilenet_v2檢測模型，所以將object_detection/samples/configs/ssd_mobilenet_v2_coco.config複製到存放剛剛生成的record文件的目錄下，然後在該目錄新建table_label_map.pbtxt文件，並添加內容：
因爲tfrecord格式中的label都是從１開始，所以這從１開始（雖然txt中graph爲０，table爲１，但是在生成tfrecord的時候代碼中已經把graph改成了１，ｔａｂｌｅ改成了２，所以和這裏是一樣的）
然後在該目錄繼續執行
sed -i "s|PATH_TO_BE_CONFIGURED|指定存放tfrecord數據的當前路徑|g" ssd_mobilenet_v2_coco.config， （注意這是一行代碼，例如
sed -i "s|PATH_TO_BE_CONFIGURED|/home/user/model/reaearch/objectdetect/data|g" ssd_mobilenet_v2_coco.config）
４，檢測模型訓練：
在安裝的api目錄的research目錄下執行（本人用的ｐｙｔｈｏｎ３）
python３ object_detection/model_main.py \
--pipeline_config_path=ssd_mobilenet_v2_coco.config文件路徑 \
--model_dir=存放訓練模型的路徑（沒有會自己創建） \
--num_train_steps=５００００ \
--num_eval_steps=２０００ \
--alsologtostderr
（num_train_steps是訓練次數，本人是gpu訓練，所以指定五萬次）
５，tensorboard 查看訓練過程：
執行tensorboard --logdir model_dir路徑，然後打開tensorboard就能看到訓練過程和訓練圖片，如圖：
６，分類模型預測：
tensorboard object detect api中的models/research/objectdetect/目錄下提供了一個object_detection_tutorial.ipynb文件可以做預測，本人對其進行改造，將其寫入.py文件中進行預測，預測前先要將訓練的模型轉爲.pb文件，上篇博客提到了如何操作，而且官網也有說明，很簡單的，這裏就不在闡述．此外，你也可以直接在.ipynb文件預測都可以的，預測結果：
可以看到預測不錯，下一步將把該模型遷移到android平臺進行測試．．．．