1.安装Anaconda
安装步骤参考文章https://blog.csdn.net/weixin_43715458/article/details/100096496
注意：有关anaconda的环境变量都要设置好
2.从Github上下载TensorFlow Object Detection API ，我使用的是tensorflow1.13版本的
https://github.com/tensorflow/models/tree/r1.13.0
最新版本https://github.com/tensorflow/models
在C盘中创建一个文件夹命名为tensorflow1,将models下载好放进文件夹，重新命名为models
3.下载Object Detection API指导文件
指导文件
下载好后将所有文件复制，粘贴至C:\tensorflow1\models\research\object_detection
可以覆盖readme.md文件
如果要训练自己的分类器，就将下述文件里的内容删去
All files in \object_detection\images\train and \object_detection\images\test
The “test_labels.csv” and “train_labels.csv” files in \object_detection\images
All files in \object_detection\training
All files in \object_detection\inference_graph
4.创建 anaconda虚拟环境
打开Anaconda Prompt，以管理员身份运行
C:\> conda create -n tensorflow1 pip python=3.5
4.1激活环境，更新安装包
C:\> activate tensorflow1
(tensorflow1) C:\>python -m pip install --upgrade pip
安装tensorflow==1.13.1版本(CPU版本，训练会比较慢)
(tensorflow1) C:\> pip install tensorflow==1.13.1
4.2安装相应的依赖包
(tensorflow1) C:\> conda install -c anaconda protobuf
(tensorflow1) C:\> pip install pillow
(tensorflow1) C:\> pip install lxml
(tensorflow1) C:\> pip install Cython
(tensorflow1) C:\> pip install contextlib2
(tensorflow1) C:\> pip install jupyter
(tensorflow1) C:\> pip install matplotlib
(tensorflow1) C:\> pip install pandas
(tensorflow1) C:\> pip install opencv-python
下载完依赖包后检查安装是否成功
(tensorflow1) C:\tensorflow1\models\research\object_detection\builders>python model_builder_test.py
如果报以下错误
则可能是protobuf版本与tensorflow不匹配的原因，我的做法是卸载protobuf，安装protobuf==3.7.1
出现如图所示则为安装成功。
4.3配置相应的环境变量
(tensorflow1) C:\>set PYTHONPATH=C:\tensorflow1\models
(tensorflow1) C:\>set PYTHONPATH=C:\tensorflow1\models\research
(tensorflow1) C:\>set PYTHONPATH=C:\tensorflow1\models\research\slim
该方法每次重新打开Anaconda Prompt都要重新设置变量，因此可以直接在电脑设置中添加环境变量
4.4编译protobuf和运行设置文件
首先进入对应文件夹内
(tensorflow1) C:\> cd C:\tensorflow1\models\research
输入以下命令
protoc --python_out=. .\object_detection\protos\anchor_generator.proto .\object_detection\protos\argmax_matcher.proto .\object_detection\protos\bipartite_matcher.proto .\object_detection\protos\box_coder.proto .\object_detection\protos\box_predictor.proto .\object_detection\protos\eval.proto .\object_detection\protos\faster_rcnn.proto .\object_detection\protos\faster_rcnn_box_coder.proto .\object_detection\protos\grid_anchor_generator.proto .\object_detection\protos\hyperparams.proto .\object_detection\protos\image_resizer.proto .\object_detection\protos\input_reader.proto .\object_detection\protos\losses.proto .\object_detection\protos\matcher.proto .\object_detection\protos\mean_stddev_box_coder.proto .\object_detection\protos\model.proto .\object_detection\protos\optimizer.proto .\object_detection\protos\pipeline.proto .\object_detection\protos\post_processing.proto .\object_detection\protos\preprocessor.proto .\object_detection\protos\region_similarity_calculator.proto .\object_detection\protos\square_box_coder.proto .\object_detection\protos\ssd.proto .\object_detection\protos\ssd_anchor_generator.proto .\object_detection\protos\string_int_label_map.proto .\object_detection\protos\train.proto .\object_detection\protos\keypoint_box_coder.proto .\object_detection\protos\multiscale_anchor_generator.proto .\object_detection\protos\graph_rewriter.proto
打开C:\tensorflow1\models\research\object_detection\protos，检查是否每个proto文件都有对应_pb2文件生成，如果没有，
则输入protoc --python_out=. .\object_detection\protos\***.proto
生成相应文件，这在之后的版本可能会有新的proto文件生成。
运行设置文件
(tensorflow1) C:\tensorflow1\models\research> python setup.py build
(tensorflow1) C:\tensorflow1\models\research> python setup.py install
到目前为止训练环境配置完成。
5.收集数据和制作标签
下载labelimg，制作训练集，具体步骤这里不展开介绍，经过该步可以获得.xml文件，将其以2：8的比例分成验证集和测试集，分别放入
C:\tensorflow1\models\research\object_detection\images\test和C:\tensorflow1\models\research\object_detection\images\train
6.产生训练集数据
6.1将训练集数据转化为csv格式
(tensorflow1) C:\tensorflow1\models\research\object_detection> python xml_to_csv.py
在C:\tensorflow1\models\research\object_detection\images文件中就得到了train_labels.csv 和 test_labels.csv 文件
6.2生成用于训练的tfrecord数据
用text编辑器打开object_detection文件中的generate_tfrecord.py
将里面的分类标签更改为你要的分类
def class_text_to_int(row_label):if row_label == 'nine':return 1elif row_label == 'ten':return 2elif row_label == 'jack':return 3elif row_label == 'queen':return 4elif row_label == 'king':return 5elif row_label == 'ace':return 6else:None
比如替代为这3类
def class_text_to_int(row_label):if row_label == 'basketball':return 1elif row_label == 'shirt':return 2elif row_label == 'shoe':return 3else:None
然后输入以下命令生成tfrecord文件
python generate_tfrecord.py --csv_input=images\train_labels.csv --image_dir=images\train --output_path=train.record
python generate_tfrecord.py --csv_input=images\test_labels.csv --image_dir=images\test --output_path=test.record
7.制作labelmap和配置训练文件
7.1制作labelmap
打开C:\tensorflow1\models\research\object_detection\training ，新建一个文本，并保存为labelmap.pbtxt，确保该文件类型为.pbtxt
内容与刚刚修改的generate_tfrecord.py要对应
item {
id: 1name: 'basketball'
}item {
id: 2name: 'shirt'
}item {
id: 3name: 'shoe'
}
7.2配置训练文件
打开C:\tensorflow1\models\research\object_detection\samples\configs
里面有各种预训练模型的配置文件
预训练模型可在此下载model zoo
将下载好的tar.gz后缀的解压后的文件复制粘贴至object_detection文件夹中
配置文件与预训练模型要对应，我采用的为ssd_mobilenet_v2_quantized_300x300_coco模型，那么我就将对应的配置文件复制，粘贴至C:\tensorflow1\models\research\object_detection\training
然后打开配置文件开始修改内容（注意符号为双引号，正斜杠/,以及不要有空格，否则训练时可能会报错）
修改内容如下：
第九行：num_classes改为你需要的分类，比如3
第106行：fine_tune_checkpoint : “C:/tensorflow1/models/research/object_detection/ssd_mobilenet_v2_quantized_300x300_coco_2019_01_03/model.ckpt”
第123和125行train_input_reader部分
input_path : “C:/tensorflow1/models/research/object_detection/train.record”
label_map_path: “C:/tensorflow1/models/research/object_detection/training/labelmap.pbtxt”
第130行eval_config部分数量改为test文件夹中图片的数量
第135和137行eval_input_reader部分
input_path : “C:/tensorflow1/models/research/object_detection/test.record”
label_map_path: “C:/tensorflow1/models/research/object_detection/training/labelmap.pbtxt”
配置完成
8开始训练
进入 \object_detection文件夹，输入以下命令
python train.py --logtostderr --train_dir=training/ --pipeline_config_path=training/ssd_mobilenet_v2_quantized_300x300_coco.config
如果没有train文件，就去legacy中找
查看训练效果
(tensorflow1) C:\tensorflow1\models\research\object_detection>tensorboard --logdir=training
9.导出推理图
python export_inference_graph.py --input_type image_tensor --pipeline_config_path training/ssd_mobilenet_v2_quantized_300x300_coco.config --trained_checkpoint_prefix training/model.ckpt-XXXX --output_directory inference_graph
在training文件中找到model.ckpt-XXXX，将XXX替换为最大的数字，然后就能在\object_detection\inference_graph获得这些文件
10.为之后转为tflite文件导出冻结图
在 \object_detection内创建新文件夹TFLite_model
mkdir TFLite_model
设置一些环境变量方便于转化文件
set CONFIG_FILE=C:\\tensorflow1\models\research\object_detection\training\ssd_mobilenet_v2_quantized_300x300_coco.config
set CHECKPOINT_PATH=C:\\tensorflow1\models\research\object_detection\training\model.ckpt-XXXX
set OUTPUT_DIR=C:\\tensorflow1\models\research\object_detection\TFLite_model
XXXX还是training中model.ckpt-XXXX文件中最大的数字
输入以下命令导出冻结图
python export_tflite_ssd_graph.py --pipeline_config_path=%CONFIG_FILE% --trained_checkpoint_prefix=%CHECKPOINT_PATH% --output_directory=%OUTPUT_DIR% --add_postprocessing_op=true
在\object_detection\TFLite_model 可获得tflite_graph.pb 和 tflite_graph.pbtxt两个文件