TensorFlow Object Detection训练自己的数据集过程、遇到的问题和解决

前言
一、数据集准备
二、配置config文件
三、训练模型
四、固化权重
五、测试数据集
总结

前言

参考网络上的一些教程，使用TensorFlow Object Detection训练自己的数据集，在此做一下记录。主要参考文章为 https://www.jianshu.com/p/86894ccaa407/。

一、数据集准备

我的原有数据集为VOC格式，标注文件格式为xml，需要先将其转换为csv文件，再转换为TensorFlow可读取的tfrecord文件。
两步转换的py文件由TensorFlow提供，参考前面的文章，对该py文件进行一定的修改。

创建文件夹

创建工程目录，在其中依次创建以下文件夹：
JPEGImages：存储图片
Annotations：存储xml文件
data：将来用于存储生成的训练与测试的csv文件和record文件
training：存储模型config文件和存储标签的pbtxt文件
out：将来用于存储程序训练过程中的输出

xml转csv

将xml_to_csv.py拷贝至工程目录下，运行程序，生成的train.csv和val.csv文件默认放在同级目录下，将二者拷贝至data文件夹中。
之前遇到过由于创建存储xml文件的Annotations文件夹名称与xml_to_csv.py中image_path = os.path.join(os.getcwd(), 'Annotations')这行语句中所定义的文件夹名不匹配，而造成生成的csv文件及其后的record文件均为空，导致程序训练时既不报错，又卡在successfully opened CUDA library libcublas.so.10.0 local这句不动的问题，需要特别注意。

csv转record

同样地，将generate_tfrecord.py 也拷贝至工程目录下，运行程序。以下参数需根据自己的情况修改，也可以作为程序的输入，在Edit Configurations里的Parameters中添加，或使用Terminal运行时将输入参数附在python xxx.py后面。

flags.DEFINE_string('csv_input', '', 'Path to the CSV input')
flags.DEFINE_string('images_input', '', 'Path to the images input')
flags.DEFINE_string('output_path', '', 'Path to output TFRecord')
flags.DEFINE_string('label_map_path',