本章继续结合上一节内容，教大家如何在本地基于安装好的Tensorflow Object Detection API 训练，测试一个宠物识别模型实例．

以下内容均参照官网代码（官网宠物模型训练是在google could上训练的，为了节省实际，我们直接在本地训练，本次所有操作依然在linux下, 使用基于gpu的tensorflow）

１，进入安装好的tensorflow object detect api的~/models/research/目录，新建一个data目录，在data目录下载需要的训练和测试数据：（记得在新建好的data目录执行哈，我们把下载的数据放在data目录就行，后续所有东西都在这个目录）

wget http://www.robots.ox.ac.uk/~vgg/data/pets/data/images.tar.gz
wget http://www.robots.ox.ac.uk/~vgg/data/pets/data/annotations.tar.gz
tar -xvf images.tar.gz
tar -xvf annotations.tar.gz

２，将数据转成api需要的tfrecord格式．在~/models/research/目录下执行

python3 object_detection/dataset_tools/create_pet_tf_record.py \
    --label_map_path=object_detection/data/pet_label_map.pbtxt \
    --data_dir=~/models/research/data/ \
    --output_dir=~/models/research/data

(注意最后两行要是你下载的数据目录，--data_dir和--output_dir保持一样就行，执行完在data目录会看到很多pet_faces_train.record-* and pet_faces_val.record-*文件，这些就是训练需的数据)

３，在~/models/research/目录执行依次执行

cp object_detection/data/pet_label_map.pbtxt　./data (目标是把需要的标签文件也复制到ｄａｔａ目录)

cp object_detection/samples/configs/faster_rcnn_resnet101_pets.config ./data(复制配置文件到data目录)

４，在~/models/research/data目录执行：

wget http://storage.googleapis.com/download.tensorflow.org/models/object_detection/faster_rcnn_resnet101_coco_11_06_2017.tar.gz
tar -xvf faster_rcnn_resnet101_coco_11_06_2017.tar.gz
cp faster_rcnn_resnet101_coco_11_06_2017/model.ckpt.*　./

(该步骤是为了下载一个预先训练好的模型，这使用了在coco上训练的faster_rcnn_resnet101网络，然后在后续训练的时候加载用来做初始化)

５，修改配置文件内容，在~/models/research/data目录执行（注意这是一句代码，~/models/research/data确定是你的数据路径就行）

sed -i "s|PATH_TO_BE_CONFIGURED|~/models/research/data|g"　./faster_rcnn_resnet101_pets.config

至此训练数据准备完毕．接下来开始训练

６，开始训练之前先改一些代码，因为毕竟本人使用的python3,和源码是python2,

修改research/object_detection/model_lib.py的３９５行的eval_metric_ops.iteritems()为eval_metric_ops.items()

修改research/object_detection/metric/coco_tools.py１１８行copy.deepcoy(self.dataset['categories'])为self.dataset['categories']

可能还会报一个xrange的错误，原因是python3换成了range，如果保存就定位到改行，把xrange换成range就行．

 

7，在~/models/research目录下直接执行即可开始训练（--model_dir指定了训练的模型目录，会直接创建，num_train_steps是总的训练次数，我指定五万，gpu训练了四个小时，如果是cpu就设置少一点）

python object_detection/model_main.py \
    --pipeline_config_path=data/faster_rcnn_resnet101_pets.config \
    --model_dir= data/log \
    --num_train_steps=50000 \
    --num_eval_steps=2000 \
    --alsologtostderr

(训练过程不会打印训练的ｌｏｓｓ信息，所以可能出现卡的情况，很正常，同时开启tensorboard查看训练情况就行 tensorboard --logdir data/log --port 6006, 然后打开浏览器http://dizhi:600６即可看到训练情况和训练图片)

上图为训练过程．

漫长的等待后在~/models/research/data/log目录就能看到训练的模型，然后将模型转换成.pb文件就可以使用了．

８，在~/models/research目录执行：

python object_detection/export_inference_graph.py \
    --input_type=image_tensor \
    --pipeline_config_path=data/faster_rcnn_resnet101_pets.config \
    --trained_checkpoint_prefix=data/log/model.ckpt-2000 \
    --output_directory=data/log/pb_model

执行后会在data/log/pb_model目录生成多个文件，其中.pb文件是后续需要预测的文件

９，　预测：

在research/object_detectioｎ目录下启动jupyter notebook,通过浏览器打开object_detection_tutorial.ipynb，

修改Model preparation单元下的内容为：

# What model to download.
# MODEL_NAME = 'ssd_mobilenet_v1_coco_2017_11_17'
# MODEL_FILE = MODEL_NAME + '.tar.gz'
# DOWNLOAD_BASE = 'http://download.tensorflow.org/models/object_detection/'

# Path to frozen detection graph. This is the actual model that is used for the object detection.
PATH_TO_FROZEN_GRAPH = '/home/user/tensorflowAPI/research/train_data/pet_data/train_pd/frozen_inference_graph.pb'　＃.pb文件的路径

# List of the strings that is used to add correct label for each box.
PATH_TO_LABELS = '/home/user/tensorflowAPI/research/train_data/pet_data/pet_label_map.pbtxt'　＃label_map.pbtxt的路径

NUM_CLASSES = 37　#f分类数量

修改ｄｅｔｅｃｔｉｏｎ单元下面的内容为：

# For the sake of simplicity we will use only 2 images:
# image1.jpg
# image2.jpg
# If you want to test the code with your images, just add path to the images to the TEST_IMAGE_PATHS.
PATH_TO_TEST_IMAGES_DIR = '/home/user/tensorflowAPI/research/train_data/pet_data/images'　＃存放训练图片的路径
im = os.listdir(PATH_TO_TEST_IMAGES_DIR)
TEST_IMAGE_PATHS = [ os.path.join(PATH_TO_TEST_IMAGES_DIR, e) for e in im]

# Size, in inches, of the output images.
IMAGE_SIZE = (12, 8)

然后shift+enter依次执行各单元（Download Model单元不需要执行），便可以看到宠物的识别结果