TensorFlow训练自己的模型

1.引言

本章节开始训练自己的模型，这是在上一篇的基础开始的

2.准备工作空间

TensorFlow/
├─ addons/ (Optional)
│  └─ labelImg/
├─ models/
│  ├─ community/
│  ├─ official/
│  ├─ orbit/
│  ├─ research/
│  └─ ...
└─ workspace/
   └─ training_demo/

training_demo/
├─ annotations/
├─ exported-models/
├─ images/
│  ├─ test/
│  └─ train/
├─ models/
├─ pre-trained-models/
└─ README.md

3.准备数据集

pip install labelImg #安装labelimg
labelImg #打开软件标注图片

4.对数据集进行分区

C:\TensorFlow_learn\TensorFlow2\scripts\preprocessing\partition_dataset.py使用这个文件进行分区

修改目录，imageDir是图片输入的目录，outputdir是输出的目录，ratio是测试集和训练集的比例，图中表示测试集占0.1，训练集占0.9。

5.创建标签映射

item {
    id: 1
    name: 'cat'
}

item {
    id: 2
    name: 'dog'
}

转换成record标签使用scripts/preprocessing/generate_tfrecord.py文件，修改下图的路径

7.安装pandas

conda install pandas

8.开始训练

先将pipeline复制到训练结果文件夹，修改pipeline文件，这里我以后会重新介绍这个文件。

使用models/workspace/training_demo/model_main_tf2_remake.py（这个是我自己修改的文件，也可以使用官方的文件TensorFlow/models/research/object_detection/model_main_tf2.py，但是要在命令行中使用）文件，修改目录，

修改pipeline.config的目录，和输出目录

9.使用 TensorBoard 监控训练作业进度

tensorboard --logdir=models/my_ssd_resnet50_v1_fpn

http://localhost:6006/复制这个到浏览器

10.导出经过训练的模型

使用  models/workspace/training_demo/model_main_tf2_remake.py（这是我自己修改的，这样就不用在命令行中使用，TensorFlow/models/research/object_detection/exporter_main_v2.py官方文件）