结合上一章内容，本章节将结合实际需要，使用Tensorflow Object Detection API从头训练符合自己需求的图和表的检测分类模型.
需求说明：输入拍摄的文本页面图片，目标是训练一个可以正确检测图片上的图和表格并在图片画出其bounding box，之前用yolo也做过检测，不过效果不太好，会出现检测不准确甚至漏检情况，于是这次想尝试api的检测效果，模型使用ssd_mobilenet_v2．
１，训练数据准备：
因为之前用yolo做过检测，所以训练数据都放在一个文件夹下，另外还有一个.txt文件，.txt文件包含了图片路径，图标的bounding box及对应的类别，如图：
每行分别代表图片路径 xmin ymin xmax ymax label（０代表graph, 1代表table），一张图片可能有多个图表，所以每一行图片可能有多个xmin ymin xmax ymax label．我分别有两个这样的.txt文件，一个是训练集，一个是测试集，在后续生成tfrecode格式数据的时候分别生成即可．
２，tfrecord格式训练数据生成：
tfrecord训练数据的生成网上有很多，我参照官网代码生成自己的数据，tfrecord生成的时候可以选择生成一个或者多个.record文件，我参照最新代码生成多个文件，具体代码参考https://pan.baidu.com/s/1WO2OmMFyyBvqeOxtX9-xyQ,下载后将该代码放在下载的ａｐｉ的researcｈ目录下，然后python3 creratet_table_tf_record.py --data_dir=存放原始图片的路径 --output_dir=存放生成的数据的目录（训练和测试目录一样）执行即可．记得６行改成直接的图片路径，分别生成训练和测试数据时候１１４行table_test.record记得改（table_test.record， table_train.record）,这是生成的训练和测试的名字．执行完后会在指定目录生成多个文件：
３，准备训练配置文件：
本次使用ssd_mobilenet_v2检测模型，所以将object_detection/samples/configs/ssd_mobilenet_v2_coco.config复制到存放刚刚生成的record文件的目录下，然后在该目录新建table_label_map.pbtxt文件，并添加内容：
因为tfrecord格式中的label都是从１开始，所以这从１开始（虽然txt中graph为０，table为１，但是在生成tfrecord的时候代码中已经把graph改成了１，ｔａｂｌｅ改成了２，所以和这里是一样的）
然后在该目录继续执行
sed -i "s|PATH_TO_BE_CONFIGURED|指定存放tfrecord数据的当前路径|g" ssd_mobilenet_v2_coco.config， （注意这是一行代码，例如sed -i "s|PATH_TO_BE_CONFIGURED|/home/user/model/reaearch/objectdetect/data|g" ssd_mobilenet_v2_coco.config）４，检测模型训练：
在安装的api目录的research目录下执行（本人用的ｐｙｔｈｏｎ３）
python３ object_detection/model_main.py \
--pipeline_config_path=ssd_mobilenet_v2_coco.config文件路径 \
--model_dir=存放训练模型的路径（没有会自己创建） \
--num_train_steps=５００００ \
--num_eval_steps=２０００ \
--alsologtostderr（num_train_steps是训练次数，本人是gpu训练，所以指定五万次）
５，tensorboard 查看训练过程：
执行tensorboard --logdir model_dir路径，然后打开tensorboard就能看到训练过程和训练图片，如图：
６，分类模型预测：
tensorboard object detect api中的models/research/objectdetect/目录下提供了一个object_detection_tutorial.ipynb文件可以做预测，本人对其进行改造，将其写入.py文件中进行预测，预测前先要将训练的模型转为.pb文件，上篇博客提到了如何操作，而且官网也有说明，很简单的，这里就不在阐述．此外，你也可以直接在.ipynb文件预测都可以的，预测结果：
可以看到预测不错，下一步将把该模型迁移到android平台进行测试．．．．