使用TensorFlow object_detection API训练自己的数据集合，实现多目标检测

做了一个实现，想试试tensorflow框架下的ssd目标检测过程，查阅了资料，在cpu模式下使用自己的数据集合完成了一个完整流程实验：

1.数据集合标定，使用网络资源labelimg工具完成标定，生成xml文件

2.把标定的数据按照4:1分为训练集合、验证集合

3.把标定的xml文件转为tensorflow要求的格式，csv格式（是个表格，记录的图像路径，和目标区域位置）

4.把csv格式转换为tf格式，训练的时候就是用这个格式

5.把预训练的模型配置文件进行修改，我测试的是ssd_mobilenet_v1_coco.config；

6.填写目标类别文件label_map.pbtxt，记录标签种类，这里编号从1开始的，有几类就写几个（与caffe框架下加入背景类不同）

7.使用models-master工程中的训练文件train.py 使用训练指令开始训练

8.把训练后的模型转换为pb格式，使用的是export_inference_graph.py

9.使用写好的object_detection_tutorial.py做个测试

10.使用tensorboard --logdir=logs_path可以实现可视化训练过程变化

11.训练工程需要做个路径配置：要把slim和object_detection路径放到slite-packege下的TensorFlow_model.ptx中；

到这里，整个过程就结束了，具体的执行指令有详细文档记录：数据训练过程说明.txt，主要是参考了很多大佬的文章实现的，在此谢过。。。

参考链接：

https://blog.youkuaiyun.com/qq_29075459/article/details/78562581

https://www.cnblogs.com/mar-q/p/7459845.html