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

因为是从预训练模型开始训练的，总误差下降的很快。

因为我只有一个类，只需要看总体平均准确率就足够了。

平均准确率在20000步的时候就达到了0.8，这个结果很不错。

下面是在训练模型的过程中，一个图像评估的例子。

框住浣熊的探测框越来越准确。

导出模型

在训练完成之后，我把模型导出到一个文件中（Tensorflow graph proto），便于我用这个模型进行推论。

在我的课题中，我只能从Google云中把模型检查点拷贝到本地，然后用官网提供的脚本来导出模型。

看过这段视频后你会发现有一些浣熊被漏掉了，也有一些误判。这是合理的，因为我们只在一个小数据集上训练了模型。如果要建立一个通用且稳定的识别器，（比如你需要它能识别最有名浣熊——银河护卫队里面的火箭浣熊），我们需要的只是更多数据。这也是AI现在的局限性之一。

地球上最有名的浣熊

结论

在本文中，我只使用了一个类，因为我懒得标注更多数据。有很多公司比如CrowdFlower、 CrowdAI和Amazon’s Mechanical Turk均提供标注服务，但是本文还用不到这样的服务。

我用了很短的训练时间就得到了相当不错的结果，这也是由于识别器只需要训练一个类。对于多类别的情况，总平均准确率就不会这么高了，也需要更长的训练时间来获得好的结果。实际上，我也在Udacity提供的带标注的驾驶数据集上训练了识别器。训练一个能识别小汽车、卡车和行人的识别器花了很长时间。很多其他类似的案例中可能需要使用更复杂的模型。我们还要考虑在模型速度和模型准确度之间寻找平衡。

原文链接：https://medium.com/towards-data-science/how-to-train-your-own-object-detector-with-tensorflows-object-detector-api-bec72ecfe1d9返回搜狐，查看更多