tensorflow如何开始训练自己的第一个模型

最新推荐文章于 2024-08-05 00:12:26 发布

原创

最新推荐文章于 2024-08-05 00:12:26 发布 · 2.8k 阅读

13 ·

CC 4.0 BY-SA版权

在训练官方模型成功后，如何开始训练自己的模型呢？

1.设置数据集

首先是将自己数据集重命名为VOC2007

其目录下有三个文件夹

数据集的命名需要一定的规律，图片名称要和标记数据名称一致，图片名称也需要记录在txt中

为了方便，一般命名是以六位数字命名的，从000001到999999,如果不够用还可以增加到更多位数

其中Annotations存放标记数据，格式为xml

ImageSets存放的是你的数据集设置,如图所示

txt文件中存放的是你的各个数据集的图片的标号

JPEGImages存放的是图片

然后将其拷入原来的文件夹中：文件夹路径为：

D:\FastRCNN\Faster-RCNN-TensorFlow-Python3.5-master\data\VOCdevkit2007

到此，数据集准备好了

2.需要对demo.py等文件进行修改

2.1demo.py的修改

#CLASSES = ('__background__',
#           'aeroplane', 'bicycle', 'bird', 'boat',
#           'bottle', 'bus', 'car', 'cat', 'chair',
#           'cow', 'diningtable', 'dog',

最低0.47元/天解锁文章

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

To_be_a_Phd

关注关注

1
点赞
踩
13

收藏

觉得还不错? 一键收藏
0
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

专栏目录

用TensorFlow训练第一个模型

gc.collect()

10-01

2956

简述下面有非常详细的代码注释学习自莫凡大神给的demo https://morvanzhou.github.io/tutorials/machine-learning/tensorflow/2-2-example2/ 这里的create数据的时候，其实就是创建了一个很简单的模型，就是说，一条y= 0.1x+0.3的直线。然后，我们创建了两个变量，通过梯度下降的方式，不断迭代，就可以迭代到...

用TensorFlow训练自己的第一个模型

cpa0701的博客

08-02

422

icofile表示图标的位置，建议直接放在程序文件夹里面，这样子打包的时候直接写文件名就好。括号内的为可选参数，-i icofile表示给程序加上图标，图标必须为.ico格式。-w 表示隐藏程序运行时的命令行窗口（不加-w会有黑色窗口）filename表示你的Python程序文件名。

参与评论您还未登录，请先登录后发表或查看评论

Tensorflow学习：训练自己的简单图像识别模型（图片分类模型）

cui1004的博客

08-07

2873

Tensorflow学习：训练自己的简单图像识别模型（图片分类模型） 1、利用inception的模型做基础，加一层输出层图片分类，只训练最后一层就好，前面的利用他们训练好的权值。 2、google提供的训练文件，自己提供训练的图片训练集。利用官方提供的retrain.py进行训练，通过Windows的一个批处理文件retrain.bat执行官方提供的retrain.py程序。 ...

【深度学习与神经网络】tensorflow训练自己的分类模型

穿着帆布鞋也能走猫步

03-14

2077

Tensorflow训练自己的分类模型

tensorflow（16）训练自己的模型

SL1109

08-09

9577

迁移学习：物体识别模型可能含有数百万个参数，将耗费几周的时间去完全训练。因此我们采用迁移学习的方法，在已经训练好的模型（基于ImageNet）上调整部分参数（Inception_V3），实现自己数据集的分类。 3种方法：方法1：无到有（从头开始训练）：自己准备好的数据，拿一个别的模型（inception模型），利用最最初始的参数重新开始训练一个属于自己数据集的模型【更改整个网络的参数】）...

C#使用TensorFlow.NET训练自己的数据集的方法

12-20

本文将深入探讨如何使用 TensorFlow.NET 和 C# 创建一个卷积神经网络（CNN）模型，用于图像分类任务。该模型能够对工业现场的印刷字符进行光学字符识别（OCR）。首先，我们需要准备图像数据集，包括训练集、验证集和...

精选资源

Tensorflow实现在训练好的模型上进行测试

01-20

Tensorflow可以使用训练好的模型对新的数据进行测试，有两种方法：第一种方法是调用模型和训练在同一个py文件中，中情况比较简单；第二种是训练过程和调用模型过程分别在两个py文件中。本文将讲解第二种方法。模型...

Tensorflow训练视觉模型（CPU）

热门推荐

dejahu的博客

06-16

6万+

配合视频一起食用这篇教程效果更佳：课设题目没想好？手把手教你用tensorflow2构建果蔬识别系统 tensorflow2.x版本对小白非常友好，2.x的api中对keras进行了合并，大家只需要安装tensorflow就可以使用里面封装好的keras，利用keras可以快速地加载数据集和构建模型，下面我们直接来看以下通过tensorflow2.3训练自己的分类数据集吧。注：本文主要针对图片形式的数据集构建分类模型，文本数据、目标检测等任务暂不涉及。本文使用到的代码已在码云上开源，请大家自行下载，st

用tensorflow训练自己的数据_3、训练模型

qq_36631272的博客

01-26

1915

训练模型的时候，维数一定要匹配，同时要了解你自己的数据的格式，和读取的类型，一个one_hot编码用的函数和非one_hot用的函数完全不一样，这也是我当时一直出现问题的原因。 #!/usr/bin/env python2 # -*- coding: utf-8 -*- """ Created on Thu Jan 25 11:32:40 2018 @author: huangxudong "

机器去学习笔记——使用TensorFlow训练自己的目标检测模型

weixin_44929101的博客

06-15

983

前言我太难了，调程序搞了一下午，才好是一个，没办法小白就是悲催，目标检测是真的不好学，我正在努力，大家一起努力，向着毕业冲！冲！冲！不发牢骚了，进入正题。今天和大家一起学习的是利用TensorFlow的官方文件训练自己的目标检测模型。本人亲测请放心食用。ヾ(◍°∇°◍)ﾉﾞ第一步：目标检测API 第一小步是我们去下载官方的模型文件，网址我发过了：https://github.com/tensorflow/models 这是我下载以后存放的位置以及用到的文件：C:\Users\dell-pc\model

win下使用TensorFlow object detection训练自己模型

weixin_38226321的博客

08-16

1470

win下使用TensorFlow object detection训练自己模型1. 环境2.xml生成csv文件，再生成record文件2.1 对训练文件和测试文件都使用以下两个文件分别生成自己的csv文件2.1 对生成的两个csv文件分别生成自己的record文件3. 修改配置文件 1. 环境 1.1 创建虚拟环境python3.7，安装tensorflow-gpu==1.13.1，安装PIL（pip install pillow）。 1.2 下载labelimg，使用labelimg对自己的图片进行

Tensorflow之基于slim训练自己的模型

Gavinmiaoc的博客

02-11

5851

假如我们需要从头开始训练一个图像识别的模型，我们可以使用tensorflow构建自己的图片分类模型，并将图片转换成tfrecord格式的文件。tfrecord是tensorflow官方提供的一种文件类型。这里补充下，关于tensorflow读取数据，官网给出了三种方法：1、供给数据：在tensorflow程序运行的每一步，让python代码来供给数据2、从文件读取数据：建立输入管线从文件中...

Caffe简明教程5：训练你的第一个Caffe模型-MNIST分类器

请叫我AXin

02-07

5414

您可以查看所有文章的索引：Caffe简明教程0：文章列表如果你已经根据前面几篇文章成功地编译了Caffe，那么现在是时候训练你的第一个模型了。我准备借用Caffe官网的LeNet例子来写这篇文章，您也可以访问原始的文档：Training LeNet on MNIST with Caffe Caffe在编译完成之后，在caffe根目录下有个examples文件夹，里面包含了很多Caf

TensorFlow训练一个简单的分类模型代码

03-29

以下是一个使用TensorFlow训练一个简单的分类模型的示例代码： ``` import tensorflow as tf import numpy as np # 生成训练数据 train_data = np.random.rand(1000, 10) train_labels = np.random.randint(0, 2, size=(1000, 1)) # 定义模型 model = tf.keras.Sequential([ tf.keras.layers.Dense(32, activation='relu', input_shape=(10,)), tf.keras.layers.Dense(1, activation='sigmoid') ]) # 编译模型 model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy']) # 训练模型 model.fit(train_data, train_labels, epochs=10, batch_size=32, validation_split=0.2) ``` 在这个例子中，我们首先生成了一个包含1000个样本和10个特征的训练数据集。然后，我们定义了一个包含两个全连接层的神经网络模型，其中第一个层有32个神经元，激活函数为ReLU，输入维度为10，第二个层为一个输出单元的层，激活函数为sigmoid。我们使用Adam优化器和二元交叉熵损失函数来编译模型，并指定了准确率作为评估指标。最后，我们使用fit方法来训练模型，训练10个epochs，每个batch的大小为32，同时使用20%的数据作为验证集。