使用TensorFlow一步步进行目标检测(3)

本文翻译自Medium上的文章：Step by Step TensorFlow Object Detection API Tutorial — Part 3: Creating Your Own Dataset，原文地址：https://medium.com/@WuStangDan/step-by-step-tensorflow-object-detection-api-tutorial-part-3-creating-your-own-dataset-6369a4d30dfd

进行到这一步，我们已选择了预训练模型，并将现有数据集转化为单个TFRecord文件。但是，如果我们找到的数据集与即将使用的目标检测模型不完全匹配，而我们希望获得最佳效果，该怎么办？ 更极端的时候，我们可能无法找到任何合适的数据集？

接下来，我们来创建自己的数据集。

在这一系列教程中，我一直在尝试构建一个能够判别交通灯状态的目标检测模型。我开始使用的预训练模型仅能判断图像中是否有交通灯，而无法判断信号灯是绿色、黄色还是红色。接下来我找到了Bosch Small Traffic Lights Dataset，这似乎完全符合我的需求。然而，在博世数据集上训练出模型之后，在实际的环境中表现不错，但不是特别好（如下所示）。因此，我决定创建自己的数据集，争取进一步提升模型的性能。

LabelImg

LabelImg是一个非常容易使用的图像标注工具。市面上还有许多其它工具可选，但LabelImg似乎是最受欢迎的！

要在系统中安装它，请打开终端窗口:

git clone https://github.com/tzutalin/labelImg.git

下载后，请根据系统Python版本对应的安装说明进行操作。对于Python 3而言，执行如下命令（确保您位于刚刚克隆的文件夹中）：

sudo apt-get install pyqt5-dev-tools
sudo pip3 install lxml
make qt5py3

启动程序：

python labelImg.py

一旦进入程序，会发现它的界面很直观，很容易使用。我们只需打开要标注的图像目录，选择保存目录，然后开始标注即可！

值得一提的是，LabelImg以与PASCAL VOC数据集相同的格式保存标注图片。正如前一篇文章中所提到的，这意味着TensorFlow已经提供了一种基于此格式轻松生成TFRecord文件的方法。

此时我们有一个预先训练过的模型和两个数据集，下一篇文章我将向您展示如何开始训练模型！

相关文章

1. 使用TensorFlow一步步进行目标检测(1)
2. 使用TensorFlow一步步进行目标检测(2)