使用Object Detection API訓練

running locally中提到準備工作大致有三個：

安裝tensorflow object detection api

資料集object detection pipeline設定檔案

沒啥說的,看官網教程installation

可以按照preparing inputs來準備tfrecord格式的資料集。

當然也可以使用models/research/object_detection/dataset_tools/下的指令碼將常見的資料集建立成tfrecord格式的。其中常用的有create_pascal_tf_record.py，就是將安裝pascal voc組織的資料轉換為tfrecord格式。在使用時,**其中的』aeroplane_』 + 多餘,刪去即可。

將object_detection/samples/configs/對應的config檔案拷貝乙份，然後根據實際情況修改。

num_classes:修改為自己的classes num

將所有path_to_be_configured的地方修改為自己之前設定的路徑（共5處）

batch_size根據情況修改，初始設定可能會導致記憶體不夠用。

train.py和eval.py被移到legacy檔案下了。

python object_detection/legacy/train.py \ --logtostderr \ --pipeline_config_path= $ \ --train_dir=

$

python object_detection/legacy/eval.py \ --logtostderr \ --checkpoint_dir= $ \ --eval_dir= $ \ --pipeline_config_path=

$

如果報關於unicode的錯，將object_detection\utils\object_detection_evaluation.py下的category_name = unicode(category_name, 『utf-8』)修改為category_name = str(category_name)

model_main.py將train和eval結合在一塊，官方推薦使用。

python object_detection/legacy/eval.py \ --logtostderr \ --checkpoint_dir= $ \ --eval_dir= $ \ --pipeline_config_path=

$

export input_type=image_tensor
python object_detection/export_inference_graph.py \
--input_type=
$ \    --pipeline_config_path=
$ \    --trained_checkpoint_prefix=
$/`head -n 1  $/checkpoint |
grep -o -e '\".+\"'
|sed s/\"//g`
\    --output_directory=
$

tensorflow object detection api應用

第三十二節，使用谷歌object detection api進行目標檢測、訓練新的模型(使用voc 2012資料集)

使用Object Detection API訓練

使用GraphEdit使用

MySQL使用學習使用 mysql學習使用

學習使用CSDN markdown使用

使用Object Detection API訓練

使用GraphEdit使用

MySQL使用學習使用 mysql學習使用

學習使用CSDN markdown使用

相關推薦