# object_detection

**Repository Path**: edwinjiang703/object_detection

## Basic Information

- **Project Name**: object_detection
- **Description**: 基于SSD Net的预训练模型的物体探测（Object Detection）测试
- **Primary Language**: Unknown
- **License**: Not specified
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 0
- **Created**: 2018-07-14
- **Last Updated**: 2020-12-19

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# object_detection

#### 项目介绍
代码说明：<br>
1 data目录包含如下文件：<br>
   model.ckpt.data-00000-of-00001 预训练模型相关文件<br>
   model.ckpt.index 预训练模型相关文件<br>
   model.ckpt.meta 预训练模型相关文件<br>
   labels_items.txt 数据集中的label_map文件<br>
   pet_train.record 数据准备过程中，从原始数据生成的tfrecord格式的数据<br>
   pet_val.record 数据准备过程中，从原始数据生成的tfrecord格式的数据<br>
   test.jpg 验证图片<br>

2 models目录<br>
   slim框架和object_detection框架 其中models/research/object_detection/dataset_tools下的create_data.py是根据create_pet_tf_record.py为基础进行修改。目的是根据给定的数据集转换成Tf-Record<br>

3 output目录<br>
   训练结果目录<br>

4 启动训练脚本。 models/research/run.sh脚本为本地训练的启动脚本<br>

5 运行日志文件和测试结果(部分截取内容)：<br>
  run_log为运行日志截取内容.<br>
  output.png是测试结果。标示出了四个物体。<br>


6 体会：<br>
  1） 用已经训练好的模型，运用fientune来训练新的图片的物体标示确实很方便。而且通过这次练习，对tensorflow的slim的框架也有了新的认识，后面还要继续努力学习<br>
  2） 不断的调整训练启动的脚本run.sh中的step数量，即增大epoch的训练数量，对模型的输出质量确实有较大的影响。本次测试用的是1000个step。batch是24.初始学习率是0.001。 <br>