如何在 tf/keras 中训练自己的（不带 YOLO 等）对象检测器答案

【问题标题】：How to train your own(w/o YOLO etc.) object detector in tf/keras如何在 tf/keras 中训练自己的（不带 YOLO 等）对象检测器
【发布时间】：2020-09-20 01:30:54
【问题描述】：

我成功地训练了多分类器模型，这真的很容易，简单的类相关文件夹结构和keras.preprocessing.image.ImageDataGenerator 和flow_from_directory （顺便说一句，没有one-hot编码！） compile fit 和 evaluate - Keras 的管道做得非常好！

但是！当我决定制作自己的（不是猫，不是狗，不是 you_named） 对象检测器时 - 这变成了一场噩梦......

TFRecord 和 tf.Example 简直是疯了！但是好吧，我几乎明白了（我的数据集很小，我有很多内存，但谁在乎呢，写 f. 样板，这么多……）

主要的事情 - 我只是找不到任何文档/教程如何使用简单的 tf/keras 来制作它，每个人都只想在某个模型 YOLO SSD FRCNN 之上构建它，即使他们试图检测全新的对象！！！

官方文档中有两个关于OD的链接，下面都使用了一些模型。

所以我的主要问题 为什么 ???或者我只是瞎了..？ -__-

【问题讨论】：

标签： tensorflow machine-learning keras computer-vision object-detection

【解决方案1】：

这变成了一场噩梦，因为目标检测比分类困难得多。最简单的对象检测器是这样的：首先在所有对象上训练一个分类器。然后，当您想要检测图像中的对象时，在图像上滑动一个窗口，并对每个窗口进行分类。然后，如果您的分类器确定某个窗口是对象之一，则将其标记为成功检测。

但是这种方法有很多问题，主要是它的方式（like waaaay）太慢了。因此，研究人员对其进行了改进并发明了 RCNN。这有问题，所以他们发明了 Faster-RCNN、YOLO 和 SSD，所有这些都是为了让它更快、更准确。你不会在网上找到任何关于如何实现滑动窗口技术的教程，因为它无论如何都没有用，你也不会找到任何关于如何实现更高级的东西的教程，因为网络很快就会变得复杂。

另请注意，使用YOLO 并不意味着您应该使用与YOLO 相同的weights。如果您愿意，可以通过随机初始化网络层中的所有权重来从头开始训练YOLO。所以你提到的even if they trying to detect completely new objects!!! 不是真的有效。另请注意，我仍然会建议您使用他们在Yolo 网络中使用的权重。 Transfer Learning 通常被视为一个好主意，尤其是在刚开始时，尤其是在图像处理领域，因为许多图像具有共同的特征（例如边缘）。

【讨论】：

感谢您的澄清！幻灯片窗口已经在 OpenCV 模板匹配中实现。我还听说过 TL 和微调 - 数据必须相似，否则你必须冻结权重，但如果你这样做 - 你会失去准确性！我的数据是噪声符号，所以我决定制作自己的模型

【解决方案2】：

我遇到了几乎相同的问题，因为我的图像是黑白图表，与普通图片完全不同，我想只在图表上训练自定义模型。

我在 Tensorflow 模型仓库中找到了这个文档部分： https://github.com/tensorflow/models/blob/master/research/object_detection/README.md

它有几个部分解释了如何将您自己的模型和数据集带入“附加”中，这可能是一个起点。

【讨论】：