為了避免不必要的麻煩，先說一下我的系統版本

Python 3.6 tensorflow 1.10 windows 7

object detection API安裝

object detection API 安裝參見官方的github: https://github.com/tensorflow/models/tree/master/research/object_detection

這里需要特別強調一下，一定要檢查一下，下面的python的包都安裝了，方法很簡單，全部執行一遍

coco API安裝

windows下面不需要--user選項，Oxford-IIIT Pet 數據集使用coco metrix， 所以下面必須執行這個命令行：

pip install git+https://github.com/philferriere/cocoapi.git#subdirectory=PythonAPI

在windows下面遇到utf-8編碼錯誤

如下修正：

C:\Program Files\Python\Python36\Lib\site-packages\pip\compat\_init_.py

79行改成gbk， utf-8替換為gbk， 不一定是是79行。再次執行即可成功安裝

創建訓練數據記錄tfrecord

下載好Oxford-IIIT Pets Dataset數據集，解壓縮到這里

然后執行下面的命令行：

訓練數據成功創建在指定目錄：先切換到指定目錄，完整的命令行執行

D:\tensorflow\models\research>python objectdetection/datasettools/createpettfrecord.py --labelmappath=objectdetection/data/petlabelmap.pbtxt

--datadir=D:/petdata --output-dir=D:\tensorflow\mytrain\data

還不會看這里：

https://github.com/tensorflow/models/blob/master/research/objectdetection/g3doc/preparing_inputs.md

遷移學習

這步成功以后，就可以開始執行真正的訓練啦，等等，別著急，我們是基于預訓練模型的遷移學習，所以還有幾件事情必須搞定，

下載預訓練的tensorflow模型，我這里下載的是

http://download.tensorflow.org/models/objectdetection/ssdmobilenetv1coco201801_28.tar.gz

解壓縮到指定目錄，我的完整目錄結構如下：

其實有+加號的表示目錄文件夾， - 表示文件

labelmap file來自 D:\tensorflow\models\research\objectdetection\data\petlabelmap.pbtxt pipeline config file來自 D:\tensorflow\models\research\objectdetection\samples\configs\ssdmobilenetv1pets.config

直接copy過來，然后打開

開始修改，把所有【PATH_TO_BE_CONFIGURED】都改到正確路徑上來：

保存好啦，然后直接執行訓練的命令行：

各個參數選項解釋如下：

--pipelineconfigpath

訓練時候配置目錄，所有關于訓練各種輸入路徑、參數模型、參數網絡配置，都在這個里面。

--modeldir

訓練時候會寫文件的目錄，訓練完成輸出的模型保存目錄

--numtrainsteps

訓練多少個steps

--numeval_steps

多少個eval， 基本上兩者要相差10倍以上 steps : eval

--alsologtostderr

表示日志信息

如果遇到這個錯誤

TypeError: can't pickle dictvalues objects

這樣修改,打開model_lib.py

D:\tensorflow\models\research\objectdetection

繼續訓練就會很OK

啟動tensorboard查看訓練過程： CPU 太慢了，半天走一個step

原文發布時間為：2018-08-27

本文作者：gloomyfish

本文來自云棲社區合作伙伴“OpenCV學堂”，了解相關信息可以關注“OpenCV學堂”。

總結

以上是生活随笔為你收集整理的tensorflow object detection API训练公开数据集Oxford-IIIT Pets Dataset的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。