重磅乾貨，第一時間送達
開發環境
軟體版本資訊：
硬體：
如何安裝tensorflow object detection API框架，看這裡：
資料集處理與生成
首先需要下載資料集，下載地址為：
總計7581張影象，基於Pascal VOC2012完成標註。分為兩個類別，分別是安全帽與人（hat與person），json格式如下：
資料集下載之後，並不能被tensorflow object detection API框架中的指令碼轉換為tfrecord，主要是有幾個XML跟JPEG影象格式錯誤，本人經過一番磨難之後把它們全部修正了。修正之後的資料執行下面兩個指令碼即可生成訓練集與驗證集的tfrecord資料，命令列如下：
這裡
需要注意
的是create_pascal_tf_record。py 指令碼的165行把
修改為：
原因是這裡的資料集沒有做分類train/val。所以需要修改一下，修改完成之後儲存。執行上述的命令列，就可以正確生成tfrecord，否則會遇到錯誤。
模型訓練
基於faster_rcnn_inception_v2_coco物件檢測模型實現遷移學習，首先需要配置遷移學習的config檔案，對應的配置檔案可以從：
中發現，發現檔案：
之後，修改配置檔案的中相關部分，關於如何修改，修改什麼，可以看這裡：
修完完成之後，在D盤下新建好幾個目錄之後，執行下面的命令列引數：
就會開始訓練，總計訓練40000 step。訓練過程中可以透過tensorboard檢視訓練結果：
模型匯出
完成了40000 step訓練之後，就可以看到對應的檢查點檔案，藉助tensorflow object detection API框架提供的模型匯出指令碼，可以把檢查點檔案匯出為凍結圖格式的PB檔案。相關的命令列引數如下：
得到pb檔案之後，使用OpenCV4。x中的tf_text_graph_faster_rcnn。py指令碼，轉換生成graph。pbtxt配置檔案。最終得到：
如何匯出PB模型到OpenCV DNN支援看這裡：
使用OpenCV DNN呼叫模型
在OpenCV DNN中直接呼叫訓練出來的模型完成自定義物件檢測，這裡需要特別說明一下的，因為在訓練階段我們選擇了模型支援600~1024保持比率的影象輸入。所以在推理預測階段，我們可以直接使用輸入影象的真實大小，模型的輸出格式依然是
1x1xNx7
，按照格式解析即可得到預測框與對應的類別。最終的程式碼實現如下：
一些測試影象的執行結果如下：
可以看到第二張途中有誤識別情況發生！可見模型還可以繼續訓練！
避坑指南：
1。 下載的公開資料集，記得用opencv重新讀取一遍，然後resave為jpg格式，這個會避免在生成tfrecord時候的影象格式資料錯誤。
ValueError: Image format not JPEG
2。 公開資料集中xml檔案的filename有跟真實影象檔名稱不一致的情況，要程式處理一下。不然會遇到
Windows fatal exception: access violation error
3。 使用非最大抑制之後，
SystemError: returned NULL without setting an error,
解決：
boxes 必須是int型別，confidences必須是浮點數型別
https：//github。com/njvisionpower/Safety-Helmet-Wearing-Dataset
https：//github。com/opencv/opencv/wiki/Deep-Learning-in-OpenCV
https：//github。com/tensorflow/models/tree/master/research/object_detection
下載1：OpenCV-Contrib擴充套件模組中文版教程
下載2：Python視覺實戰專案52講
下載3：OpenCV實戰專案20講
交流群
