Tensorflow Object Detection API（2）—训练自己的数据集（上）

Tensorflow Object Detection API环境搭建已经完成，现基于Object Detection API训练自己的数据集。

Tensorflow Object Detection API使用TFRecord文件格式读取数据，并提供了（create_pascal_tf_record.py）可以将PASCAL VOC2012数据集转换为TFRecord格式。因此，对车辆车牌检测的实例拟通过制作VOC数据集进而开展训练与测试。其中，（上）主要制作自己的训练数据集，（下）为使用制作的数据集训练、测试。

一、 首先了解下原始VOC2012数据集

该数据集包括对象类和动作类，下载解压完可以看到包括以下几部分：

1）JPEGImages

文件夹里存放了全部的训练图片和训练图片。

2）Annatations文件夹

文件夹存放的是xml格式标签文件，每个xml文件都对应JPEGImages文件夹的一张图片。

3）ImageSets文件夹

包括Action Layout Main Segmentation四部分，Action存放的是人的动作，Layout存放人体部位数据，Main存放的是图像物体识别数据（里面的test.txt，train.txt，val.txt，trainval.txt后面自己制作数据集时需要生成），Segmentation存放可用于分割的数据。

4）SegmentationClass（标注出每一个像素的类别）和SegmentationObject（标注出每个像素属于哪一个物体）是分割相关的。

二、制作自己的VOC2012数据集

1）准备素材

自己要做的实例为车辆车牌的检测模型，收集了各种环境下含车牌的车辆图片，对车牌进行标注。图片重命名统一为六位数字，从000001开始，并批量统一为jpeg格式。

（原图来源网络图片）

2）目标物体标注

用labelImage(https://github.com/tzutalin/labelImg)进行标注，将xml文件存放于Annatations文件夹。注意Ubuntu下配置Python2+Qt4、Python3+Qt5。

3）数据集分割

在实际训练中，需要四个文件，分别为test.txt测试集，train.txt训练集，val.txt验证集，trainval.txt训练和验证集，每个文件为对应图片的名字。此为ImageSets中Main文件夹中部分。

至此，所用的VOC2012数据集制作完成。

三、将VOC2012数据集转换为TFRecord格式

1）根据自己的实际类别修改文件中的类别，或者新建对应自己数据集的.pbtxt文件。

2）

3）TFRecord生成

至此，（上）中自己的训练数据集制作完成。