爬坑之旅——Tensorflow object detection API 搭建属于自己的物体识别模型

      最近由于想需要，转战机器学习。在看了很多机器学习理论的情况下，想实战一把，于是在网上翻阅了大量的blog和GitHub之后，心中也大概有了一些眉目。

      再次先感谢前人的贡献，使他们的经验总结，才让我逐步实现我的自己的物体识别模型的搭建！现在也是相当于做一点笔记，让后面的小伙伴们如果遇到我一样的问题的时候能够有一些参考，能够快速从坑里爬出来。

一、环境搭建与测试

      首先是环境的搭建，参考Tensorflow object detection API 搭建属于自己的物体识别模型（1）——环境搭建与测试。博主写得相当详细，但是在我自己的实践过程中还是发生了一系列的bug。现在总结如下：

1.Protobuf安装与配置

        在这个阶段运行代码：

protoc object_detection/protos/*.proto --python_out=.

报错：object_detection/protos/*.proto: No such file or directory

解决方法：

      这是因为目前的protoc3.6有Bug,换成3.4就好了：https://github.com/google/protobuf/releases/tag/v3.4.0

2.测试API

       在models/research/文件夹下面运行命令行：

python object_detection/builders/model_builder_test.py 

1)如果报错：ModuleNotFoundError: No module named 'object_detection'

解决方法：

        在research目录下运行命令行：

python setup.py install

2）如果报错：ImportError: No module named nets

解决方法：

      将reserch/slim目录下的BUILD删除，然后在该文件夹下运行里面的setup.py：

python setup.py install

3）测试自带的案例，如果报错：

解决方法：在命令行下面使用pip安装jupyter：

pip install jupyter

然后环境搭建里面的问题基本上没有了，接下来就是测试自带的案例。这里有一点小tips，就是在jupyter notebook中，如果代码已经运行了，那么代码左边的 In[1]中显示的是数字，还没呀运行的代码显示的是：In[*]。这样可以查看自己代码的运行的状态。

二、训练并使用自己的模型

        前面搭建好自己的环境之后，我就迫不及待的要准备自己的数据，建立自己的模型并训练。此时还是参照上一个博主的博客：（更新视频教程）Tensorflow object detection API 搭建属于自己的物体识别模型（2）——训练并使用自己的模型，具体步骤参考博主的博客和视频：【教程】Tensorflow object detection API 打造属于自己的物体检测模型（深度学习实战），我就不在一一重复。我此处只是指出我在实战过程中所遇到的问题以及我的解决方法：

1、将*.csv文件转换成*.record文件

      此处我遇到了一个坑，那就是我的图片的标签不是自己打的，从而导致我在运行generate_tfrecord过程中一直报错。报错如下，供大家参考：

tensorflow.python.framework.errors_impl.NotFoundError:NewRandomAccessFile failed to Create/Open: G:\Tensorflow\models\research\object_detection\images\1.jpg : ϵͳ\udcd5Ҳ\udcbb\udcb5\udcbdָ\udcb6\udca8\udcb5\udcc4\udcceļ\udcfe\udca1\udca3; No such file or directory

      然后我查阅了大量的博客，仍然没有找到有效的解决办法，最后我试着把之前的train文件夹下面的图片重新打了一次标签，然后再将xml转换成csv，然后再次运行generate_tfrecord程序，然后就成功了。现在我也不是很明白为什么别人打得标签我不能直接使用。所以我提醒大家还是自己动手打打标签，不要像我这样最后花了更多的时间在debug上面。

2、训练模型

     然后后面的过程一直按照着视频也还是很顺利，直到执行命令：

python train.py --logtostderr --train_dir=training/ --pipeline_config_path=training/ssd_mobilenet_v1_coco.config

     我发现我的object detection文件夹下面没有train.py脚本，然后执行上面的命令肯定是要报错的了。最后我发现train.py在legacy文件下面，然后我就把legacy下面的脚本全拷到了object detection文件下面，再次执行上面的命令，成功了：

3、Tensorboard来可视化训练过程

        在object detection下面执行命令行：

tensorboard --logdir='training'

       能够正确执行，但是生成的：http://ADAM:6006 复制在浏览器无法正确打开，前几天也遇到了这个问题。

       解决方法：

执行命令行：

tensorboard --logdir='training' --host=127.0.0.1

然后生成的链接时：http://127.0.0.1:6006，现在就能正常显示了。如下图：

      以上是loss函数的图像，loss函数总体是一个衰减的趋势，逐渐收敛。所以模型是没有什么问题的，但是总体误差还很高，所以现在就等着让它慢慢训练。

     下面是模型网络：

以上就是我在开始我的机器学习之旅上遇到的一些坑，以后后面的小伙伴如果遇到一样的坑能够有个借鉴，快速爬坑！

参考文献：https://github.com/datitran/raccoon_dataset

                https://stackoverflow.com/questions/50113683/modulenotfounderror-no-module-named-object-detection