tensorflow使用object detection实现目标检测超详细全流程(视频+图像集检测)

参考原始代码：

https://github.com/tensorflow/models/tree/master/research 本文以mobilenet-ssd-v2为例进行处理，通过换模型即可实现faster RCNN等的训练检测。

1、数据整理 对生成的数据集（整理成VOC格式），通过Annotations的数据数进行train、test、val、trainval.txt的生成

进入目录

note： 在使用数据集格式转化工具，生成的voc文件中，ImageSets/mains中，只含有trainval.txt。（可通过上述方式进行重新生成.txt文件，亦可暂时忽略，在后续生成record文件时，直接应用）

数据集的下载可参考自动驾驶数据集，

https://blog.csdn.net/u010801994/article/details/84636952

同时能获得自动驾驶数据集与voc格式之间的转换。

5、训练 修改ssd_mobilenet_v2_coco.config中的六处 （1）num_classes: 3（设为自己的训练集的类别） （2）fine_tune_checkpoint: “/home/crj/tensorflow/ssd_mobilenet_v2_coco_2018_03_29/model.ckpt”（fine_tune_checkpoint的地址） （3）train_input_reader：{}中input_path和label_map_path的路径 （4）eval_input_reader：{}中input_path和label_map_path的路径 （5）batch_size：48 通常不能太小，否则会报错

6、导出训练数据

将dataset中的生成模型导出到output_inference_graph输出文件夹中

7、检测结果输出

实验结果如下

学习小记录： （1）batchsize：批大小。在深度学习中，一般采用SGD训练，即每次训练在训练集中取batchsize个样本训练； （2）iteration：1个iteration等于使用batchsize个样本训练一次； （3）epoch：1个epoch等于使用训练集中的全部样本训练一次； 举个例子，训练集有1000个样本，batchsize=10，那么： 训练完整个样本集需要：100次iteration，1次epoch。 原文：https://blog.csdn.net/u010801994/article/details/84987563