关于object_detection的官网运行案例
首先需要把https://github.com/tensorflow/models/tree/r1.5的代码下载下来
然后进入到https://github.com/tensorflow/models/tree/r1.5/research/object_detection，下面有个README.md
1.installation:
搭建GPU 环境，反正这个地方，搭建GPU的时候会遇到很多问题，自己多在百度上搜索和尝试，然后在终端依次输入以下命令：
pip install tensorflow-gpu
sudo apt-get install protobuf-compiler python-pil python-lxml
sudo pip install jupyter
sudo pip install matplotlib
sudo pip install pillow
sudo pip install lxml
sudo pip install jupyter
sudo pip install matplotlib
其次 # From tensorflow/models/research/，也就是在research下面的文件下输入：
protoc object_detection/protos/*.proto --python_out=.
export PYTHONPATH=$PYTHONPATH:`pwd`:`pwd`/slim
python object_detection/builders/model_builder_test.py
运行完成会出现
2. Configuring an object detection pipeline:
定义obeject_detection pipeline,就是给他一个配置文件，在配置文件里面写明需要用到的哪些model,可以参考object_detection/samples/configs,可以看到configs下面有很多标准的configs文件，可以根据这些成型的文件进行相应的修改。根据自己的经验来看，再进行自己数据训练之前，最好把官网的模型走一遍，以确定框架本身没有什么问题。
以faster_rcnn_resnet101_voc07.config为例子。
里面的model，包含了模型的本身的超参数
Train_config:训练时候所需要的超参数
train_input_reader：定义了数据所在的位置
eval_config：预测的时候给的超参数
eval_input_reader：测试数据所在的位置
直接从http://host.robots.ox.ac.uk/pascal/VOC/voc2012/VOCtrainval_11-May-2012.tar下载
然后tar -xvf VOCtrainval_11-May-2012.tar解压
然后分别按着以下命令的格式输入：
python object_detection/dataset_tools/create_pascal_tf_record.py \
--label_map_path=object_detection/data/pascal_label_map.pbtxt \
--data_dir=VOCdevkit --year=VOC2012 --set=train \
--output_path=pascal_train.record
python object_detection/dataset_tools/create_pascal_tf_record.py \
--label_map_path=object_detection/data/pascal_label_map.pbtxt \
--data_dir=VOCdevkit --year=VOC2012 --set=val \
--output_path=pascal_val.record
python object_detection/dataset_tools/create_pascal_tf_record.py \
--label_map_path=object_detection/data/pascal_label_map.pbtxt \
--data_dir=/home/shnu/demo/models-master/research/data/VOCdevkit --year=VOC2012 --set=train \
--output_path=pascal_train.record
python object_detection/dataset_tools/create_pascal_tf_record.py \
--label_map_path=object_detection/data/pascal_label_map.pbtxt \
--data_dir=/home/shnu/demo/models-master/research/data/VOCdevkit --year=VOC2012 --set=val \
--output_path=pascal_val.record
然后在research文件下就会看到以下record文件。
数据准备好以后就可以在本地上跑了
Recommended Directory Structure for Training and Evaluation建议的目录的结构
Pascal_label_map.bptxt在文件夹object_detection/data下面
Running the Training Job
然后训练：同样是在research的目录下输入以下的命令
# From the tensorflow/models/research/ directory
python object_detection/train.py \
--logtostderr \
--pipeline_config_path=${PATH_TO_YOUR_PIPELINE_CONFIG} \
--train_dir=${PATH_TO_TRAIN_DIR}
PATH_TO_YOUR_PIPELINE_CONFIG=models/faster_rcnn_resnet101/faster_rcnn_resnet101_voc07.config
PATH_TO_TRAIN_DIR=models/faster_rcnn_resnet101/train/
但是启动过程遇到一个坑
这个是自己的cudnn的版本不兼容的问题，重点看but后面的内容but source was compiled with 7004 (compatibility version 7000)，可以首先查看自己的cuda和cudnn的版本，用以下的命令查看，https://developer.nvidia.com/rdp/cudnn-archive
显然版本过高了，需要把cudnn的版本降低，开始在没有找到linux的版本，选择换了一个7.0.5。
首先，需要把原来的cudnn版本卸载
sudo rm -rf /usr/local/cuda/include/cudnn.h
sudo rm -rf /usr/local/cuda/lib64/libcudnn*
然后按照 里面的安装
然后再次运行：
python object_detection/train.py \
--logtostderr \
--pipeline_config_path=${PATH_TO_YOUR_PIPELINE_CONFIG} \
--train_dir=${PATH_TO_TRAIN_DIR}
PATH_TO_YOUR_PIPELINE_CONFIG=models/faster_rcnn_resnet101/faster_rcnn_resnet101_voc07.config
PATH_TO_TRAIN_DIR=models/faster_rcnn_resnet101/train/
得到以下训练的过程
Running the Evaluation Job对数据进行相应的验证
同样在research下
# From the tensorflow/models/research/ directory
python object_detection/eval.py \
--logtostderr \
--pipeline_config_path=${PATH_TO_YOUR_PIPELINE_CONFIG} \
--checkpoint_dir=${PATH_TO_TRAIN_DIR} \
--eval_dir=${PATH_TO_EVAL_DIR}
PATH_TO_EVAL_DIR=/home/shnu/demo/models-master/research/models/faster_rcnn_resnet101/eval
需要重新配置环境：
protoc object_detection/protos/*.proto --python_out=.
export PYTHONPATH=$PYTHONPATH:`pwd`:`pwd`/slim
python object_detection/builders/model_builder_test.py
占时只能解决到这了！！！！！！