使用树莓派摄像头实现对象实时识别（2）—— Windows端模型训练

4.0 下载图像识别模型测试代码

代码在此处下载：

https://github.com/CDahmsTemp/TensorFlow_Tut_3_Object_Detection_Walk-through/blob/master/0_verify_models_and_protoc_install.py

如果需要，编辑代码，修改其中protos路径为自己电脑上的路径：

# module level variables ##############################################################################################PROTOS_DIR = "C:/TensorFlow/models/research/object_detection/protos"
MIN_NUM_PY_FILES_IN_PROTOS_DIR = 5

选择需要下载的模型名称和下载路径，选择MobileNet或Inception

# choose either MobileNet or Inception# MobileNet is a smaller download and runs faster, but is less accurateMODEL_NAME = 'ssdlite_mobilenet_v2_coco_2018_05_09'# MODEL_NAME = 'ssdlite_mobilenet_v2_coco_2018_05_09'MODEL_FILE_NAME = MODEL_NAME + '.tar.gz'MODEL_SAVE_DIR_LOC = "C:/TensorFlow/models/research/object_detection"FROZEN_INFERENCE_GRAPH_LOC = MODEL_SAVE_DIR_LOC + "/" + MODEL_NAME + "/" + "frozen_inference_graph.pb"LABEL_MAP_LOC = "C:/TensorFlow/models/research/object_detection/data/mscoco_label_map.pbtxt"TEST_IMAGES_DIR = "C:/TensorFlow/models/research/object_detection/test_images"

下图列出了所有可用的模型，速度表示推断的时间，mAP表示进精度，数值越大，结果越精确。

设置完后，运行程序就会显示以下两种图片的实例结果，表面下载的预训练的模型运行成功。

4.2 下载图像并进行标记

如需训练自己的模型，需要使用大量的图片，可使用搜索引擎批量下载图片，并初步筛选，去掉分辨率低的图片和不包括训练目标在内的图片，保存到本地目录，并重新命名为简单的文件名如1、2、3。

下面以如何识别厨房场景中的厨房龙头为例介绍一个该过程：

4.2.1 使用搜索引擎下载厨房相关图片

4.2.2 下载图片标记软件，可以在https://github.com/tzutalin/labelImg

下载最新版本

4.2.3 使用LabelImg软件对图片中所有厨房龙头进行标记

4.3.3 标记完后保存图片，软件会自动生成xml格式的文件如下图

打开xml文件，可以发现其中包含标签的名称和厨房龙头在图片中的位置

4.3 在项目目录下新建training_images和test_images文件夹

建完后将标记后的图片移到trainning_images文件夹（至少100张图片），并在test_images文件中放置一些图片供测试用（至少10张）。

4.4 运行代码将xml文件转为csv格式

Tensorflow使用csv格式作为训练素材的索引文件，所以需要将xml文件转换为csv格式，去下面地址下载转换代码：

https://github.com/CDahmsTemp/TensorFlow_Tut_3_Object_Detection_Walk-through/blob/master/1_xml_to_csv.py

运行代码后，系统自己在项目目录生成training_data文件夹，并生成eval_labels.csv和train_label.csv两个文件。

4.5 运行代码生成tfrecords

这一步也没什么好说的，都是生成Tensorflow所需的训练数据，代码在此下载：

https://github.com/CDahmsTemp/TensorFlow_Tut_3_Object_Detection_Walk-through/blob/master/2_generate_tfrecords.py

运行代码后，系统会在training_data文件夹中生成train.tfrecord和eval.tfrecord两个文件。

4.6 运行代码训练模型

代码在此下载：

https://github.com/CDahmsTemp/TensorFlow_Tut_3_Object_Detection_Walk-through/blob/master/3_train.py

检查代码中的模型变量配置，确保项目目录中有所需要的文件或文件夹，在下面的示例中，需要有ssd_inception_v2_coc.config文件和ssd_inception_v2_coco_2018_01_28文件夹，文件夹中应有下载好的预训练过的模型。

# module-level variables ############################################################################################### this is the big (pipeline).config file that contains various directory locations and many tunable parametersPIPELINE_CONFIG_PATH = os.getcwd() + "/" + "ssd_inception_v2_coco.config"# verify this extracted directory exists,# also verify it's the directory referred to by the 'fine_tune_checkpoint' parameter in your (pipeline).config fileMODEL_DIR = os.getcwd() + "/" + "ssd_inception_v2_coco_2018_01_28"

编辑config文件，查找“PATH_TO_BE_CONFIGURED”，改成相应的目录，num_steps为训练步数，步数越多时间越长，改为500或其他数字。

训练完后，PyCharm应显示以下信息：