我要评论0、前言
本文章所需文件下载地址：
链接：https://pan.baidu.com/s/18UP1HfdgX27hmyFB25a5FQ
提取码：1eci
本文章基于：2、训练模型 https://blog.csdn.net/lemon4869/article/details/107050702，请先实现这个。
1、create_directories.py 一键创建项目目录结构
操作 将下载的 create_directories.py 复制到 tf_train\workspaces 目录下，然后打开处于 tf_gpu 环境的控制台，切换到该目录。
输入命令 python create_directories.py --name=my_training_demo，就会创建相应的目录结构。
修改 train.py，在 main 函数最前面添加：
# GPU 按需分配
config = tf.compat.v1.ConfigProto(allow_soft_placement=True)
config.gpu_options.per_process_gpu_memory_fraction = 0.3
tf.compat.v1.keras.backend.set_session(tf.compat.v1.Session(config=config))
one_command_train.py 一键训练模型
操作 进入 workspaces\my_training_demo\training 目录。
输入命令 python one_command_train.py --steps=100 --batch_size=12
整个文件的执行逻辑：
- 检查文件夹是否存在
- 检查 train 目录、eval 目录里是否有图片及标注文件
- 检查预训练模型 ssd_inception_v2_coco 是否存在，若不存在则下载模型
- 提取标签映射文件 label_map.pbtxt 里的信息
- 创建 tfrecord 文件
- 从命令行读取训练步数（steps）和批样本个数（batch_size）
- 修改 ssd_inception_v2_coco.config 文件
- 启动训练
训练完成的截图：
导出模型、用模型做目标检测请看前一章：2、训练模型 https://blog.csdn.net/lemon4869/article/details/107050702
本文地址：https://blog.csdn.net/lemon4869/article/details/107145398
您可能感兴趣的文章:
如您对本文有疑问或者有任何想说的，请点击进行留言回复，万千网友为您解惑！
网友评论