- Log_screenshot.png 运行成功后的log输出截图
- create_data.py 生成TF record 的脚本
- output.png 运行inference.py后的结果图
- ssd_mobilenet_v1_pets.config pipeline的配置文件
- tensorboard_eval_result1.png tensorboard上 eval的结果截图
- tensorboard_eval_result2.png 同上
- data_list.png 训练使用的数据文件列表,包括生成的TFRecord,test.png,labels_items.txt
- pre_trained_model_list.png 预训练模型相关文件,包括model.ckpt.*
当我们需要使用finetune模型来进行物体检测时,我们需要
-
- 选择合适的model zoo
-
- 修改现有的model zoo提供的pipeline config文件
-
- 将我们需要训练的数据集生成tfrecord
-
- 合理使用tensorboard监控模型训练过程和评估结果
-
- 其实总而言之,就是在现有的已经非常强大的框架下,修改一些脚本和配置