目标检测--object_detection的使用步骤

最新推荐文章于 2023-10-16 17:45:32 发布

际遇98

最新推荐文章于 2023-10-16 17:45:32 发布

阅读量1.3k

点赞数 1

CC 4.0 BY-SA版权

分类专栏：目标检测文章标签：目标检测

本文链接：https://blog.youkuaiyun.com/qq_41629348/article/details/89338706

本文介绍了使用TensorFlow Object Detection API进行目标检测的步骤，包括数据准备、创建训练数据、下载预训练模型和训练过程。重点讲解了如何生成TFRecord数据、配置预训练模型、修改配置文件以及解决训练过程中遇到的问题。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

这篇文章主要为刚入门目标检测的人提供一些tensorflow/models模块中object_detection的使用步骤。

1.数据准备

首先需要有训练用的数据集，可以下载网上的开源数据，也可以自己制作。自己制作通常使用LabelImg工具地址：https://github.com/tzutalin/labelImg.git label尽量使用英文。使用LabelImg工具标注产生xml文件，每个xml文件对应一个图片文件，每个xml文件里面包含图片中多个物体的位置和种类信息。
然后，还需要建立一个labels_items.txt文档用来声明模型输出的数字跟分类类别对应的关系。书写格式如下：
在这里插入图片描述
最后把训练用的图片，制作的xml文件和labels_items.txt放在一个单独的文件夹里，这样数据准备工作就ok了。

2.创建训练数据

object_detection/dataset_tools/ 文件下自带了一些生成tfrecord的py文件。也可以先把xml文件转换为csv文件，再将csv文件转换为tfrecord文件，可参考目标检测第2步-数据准备
注： 1.在生成数据之前，说明一下。因为用的object_detection需要用到同级目录slim里面的东西，所以需要先设置环境变量，把slim的路径加上

export PYTHONPATH=$PYTHONPATH:./models/research:./models/research/slim:
./models/research/object_detection

其实加前两个就可以了，最后这个可以不加。这里用的是相对路径，也可以改成绝对路径。
有时候加上这个路径也还会出错
在这里插入图片描述
然后你可以在报错的文件加上

2.object_detection里使用proto buffer定义了一些class，这些proto buffer需要预先编译成python代码，如果没有编译，在使用object_detection时会出现如下报错