干脆面君，你给我站住！你已经被TensorFlow盯上了

正文

请到「今天看啥」查看全文

最终，在标识了这些图片后，我写了一个脚本把XML文件转化成csv格式并建立了TFRecord。我使用160张图片来训练（train.records），40张图片来测试（test.records）。

注意：

• 我发现另外一个很好用的标注工具叫做FIAT (Fast Image Data Annotation Tool)。以后我可能也会试试它。

• ImageMagick可以在命令行上进行图片处理，例如图片格式转换。假如你从未使用过，这个软件值得一试。

• 通常来说，建立数据集是最费事的部分。我用了整整两个小时来分类和标注图片，这还是在我只需要分出一个类的前提下。

• 确保图片是中型号的（参考google图片来看什么是中型图片）。如果图片太大了，你又没有更改默认的批量大小设置，很可能会在训练时因内存不足而报错。

训练模型

在建立好符合要求的API输入文件后，就可以训练模型了。

在训练中，你需要下述部分：

• 一个物体识别训练管道 。Tensorflow官网上提供配置文件示例。我在训练过程中使用ssd_mobilenet_v1_pets.config作为基础配置。我需要把num_classed参数调整为1，并且为模型检查点、训练和测试文件、标签映射设置路径（PATH_TO_BE_CONFIGURED）。对于其他的配置，比如学习率、样本量等等，我都使用默认设置。

注意： 如果你的数据集多样性不足，如比例、姿态等没有太多变化，data_augmentation_option的设置值得选择。完整的选线清单可以在这里找到（参考PREPROCESSING_FUNCTION_MAP）。

• 数据集（TFRecord文件）和相对应的标签映射。建立标签映射的例子可以在下面看到，因为我只有一个类所以非常简单。

注意： 所有id编号都要从1开始，这是很重要的。0是一个占位索引。

• （可选）训练前的模型检查点。推荐使用检查点，因为从零开始训练模型可能需要几天才能得到好结果，所以最好能从之前训练过的模型开始。官网上提供了几个模型检查点。在我的识别器中，我根据ssd_mobilenet_v1_coco模型开始训练，因为模型训练速度对我来说比准确度更重要。

开始训练！

• 训练可以在本地或者在云端完成（AWS，Google云等等）。如果你家有GPU（至少大于2GB），那你可以在本地完成工作，否则我建议使用云端。我这次用的是Google云，基本上是按照说明文档一步步完成的。

• 对于Google云，你需要定义一个YAML配置文件。官网提供有样例文件，而且我基本上使用了默认配置。

• 我也建议在训练时就开始评估工作。这样可以监控整个流程，并且通过在本地运行TensorBoard来评估你的工作。

设置TensorBoard路径： tensorboard — logdir=gs://${YOUR_CLOUD_BUCKET}

下面是我的训练和评估工作结果。总体来说，我以批量大小24运行了一个小时，约22000步。在大概40分钟时我已经得到了很好的结果。

总误差的进展图

请到「今天看啥」查看全文