4.训练模型之准备训练数据
终于要开始训练识别熊猫的模型了， 第一步是准备好训练数据，这里有三件事情要做：
收集一定数量的熊猫图片。
将图片中的熊猫用矩形框标注出来。
将原始图片和标注文件转换为TFRecord格式的文件。
数据标注
收集熊猫的图片和标注熊猫位置的工作称之为“Data Labeling”，这可能是整个机器学习领域内最低级、最机械枯燥的工作了，有时候大量的 Data Labeling 工作会外包给专门的 Data Labeling 公司做， 以加快速度和降低成本。 当然我们不会把这个工作外包给别人，要从最底层的工作开始！收集熊猫图片倒不是太难，从谷歌和百度图片上收集 200 张熊猫的图片，应该足够训练一个可用的识别模型了。然后需要一些工具来做标注，我使用的是 Mac 版的 RectLabel，常用的还有 LabelImg 和 LabelMe 等。
RectLabel 标注时的界面大概是这样的：
当我们标注完成的时候，它会在 annotations 目录下生产和图片文件名相同的后缀名为 .json 的标注文件。
打开一个标注文件，其内容大概是这样的：
{
"filename" : "61.jpg",
"folder" : "panda_images",
"image_w_h" : [
453,
340
],
"objects" : [
{
"label" : "panda",
"x_y_w_h" : [
90,
104,
364,
233
]
}
]
}image_w_h：图片的宽和高。
objects：图片的中的物体信息、数组。
label：在标注的时候指定的物体名称。
x_y_w_h：物体位置的矩形框：（xmin、ymin、width、height）。
接下来要做的是耐心的在这 200 张图片上面标出熊猫的位置，这个稍微要花点时间，可以在 这里 找已经标注好的图片数据。
生成 TFRecord
接下来需要一点 Python 代码来将图片和标注文件生成为 TFRecord 文件，TFRecord 文件是由很多tf.train.Example对象序列化以后组成的，先写由一个单独的图片文件生成tf.train.Example对象的函数：
def create_sample(image_filename, data_dir):
image_path = os.path.join(data_dir, image_filename)
annotation_path = os.path.join(data_dir, 'annotations', os.path.splitext(image_filename)[0] + ".json")
with tf.gfile.GFile(image_path, 'rb') as fid:
encoded_jpg = fid.read()
encoded_jpg_io = io.BytesIO(encoded_jpg)
with open(annotation_path) as fid:
image_annotation = json.load(fid)
width = image_annotation['image_w_h'][0]
height = image_annotation['image_w_h'][1]
xmins = []
ymins = []
xmaxs = []
ymaxs = []
classes = []
classes_text = []
for obj in image_annotation['objects']:
classes.append(1)
classes_text.append('panda')
box = obj['x_y_w_h']
xmins.append(float(box[0]) / width)
ymins.append(float(box[1]) / height)
xmaxs.append(float(box[0] + box[2] - 1) / width)
ymaxs.append(float(box[1] + box[3] - 1) / height)
filename = image_annotation['filename'].encode('utf8')
tf_example = tf.train.Example(features=tf.train.Features(feature={
'image/height': dataset_util.int64_feature(height),
'image/width': dataset_util.int64_feature(width),
'image/filename': dataset_util.bytes_feature(filename),
'image/source_id': dataset_util.bytes_feature(filename),
'image/encoded': dataset_util.bytes_feature(encoded_jpg),
'image/format': dataset_util.bytes_feature('jpeg'.encode('utf8')),
'image/object/bbox/xmin': dataset_util.float_list_feature(xmins),
'image/object/bbox/xmax': dataset_util.float_list_feature(xmaxs),
'image/object/bbox/ymin': dataset_util.float_list_feature(ymins),
'image/object/bbox/ymax': dataset_util.float_list_feature(ymaxs),
'image/object/class/text': dataset_util.bytes_list_feature(classes_text),
'image/object/class/label': dataset_util.int64_list_feature(classes),
}))
return tf_example在这里简单说明一下：
通过图片文件名找到对应的标注文件，并读入标注信息。
因为图片中标注的物体都是熊猫，用数字 1 来代表，所以 class 数组里的元素值都为 1，class_text数组的里的元素值都为‘panda’。
Object Detection API 里面接受的矩形框输入格式为 (xmin, ymin, xmax, ymax) 和标注文件的 (xmin, ymin, width, height) 不一样，所以要做一下转换。同时需要将这些值归一化：将数值投影到 (0, 1] 的区间内。
将特征组成{特征名：特征值}的 dict 作为参数来创建tf.train.Example。
接下来将tf.train.Example对象序列化，我们写一个可以由图片文件列表生成对应 TFRecord 文件的的函数：
def create_tf_record(example_file_list, data_dir, output_file_path):
writer = tf.python_io.TFRecordWriter(output_file_path)
for filename in example_file_list:
tf_example = create_sample(filename, data_dir)
writer.write(tf_example.SerializeToString())
writer.close()
依次调用create_sample函数然后将生成的tf.train.Example对象依次序列化即可。
最后需要将数据集切分为训练集合测试集，将图片文件打乱，然后按照 7：3 的比例进行切分：
random.seed(42)
random.shuffle(all_examples)
num_examples = len(all_examples)
num_train = int(0.7 * num_examples)
train_examples = all_examples[:num_train]
val_examples = all_examples[num_train:]
create_tf_record(train_examples, data_dir, os.path.join(output_dir, 'train.record'))
create_tf_record(val_examples, data_dir, os.path.join(output_dir, 'val.record'))
写完这个脚本以后，最好再写一个测试用例来验证这个脚本，因为我们将会花很长的时间来训练，到时候再发现脚本有 bug 就太浪费时间了，我们主要测试create_sample方法有没有根据输入数据生成正确的tf.train.Example对象：
def test_dict_to_tf_example(self):
image_file = '61.jpg'
data_dir = os.path.join(os.path.dirname(os.path.abspath(__file__)), 'test_data')
example = create_sample(image_file, data_dir)
self._assertProtoEqual(
example.features.feature['image/height'].int64_list.value, [340])
self._assertProtoEqual(
example.features.feature['image/width'].int64_list.value, [453])
self._assertProtoEqual(
example.features.feature['image/filename'].bytes_list.value,
[image_file])
self._assertProtoEqual(
example.features.feature['image/source_id'].bytes_list.value,
[image_file])
self._assertProtoEqual(
example.features.feature['image/format'].bytes_list.value, ['jpeg'])
self._assertProtoEqual(
example.features.feature['image/object/bbox/xmin'].float_list.value,
[90.0 / 453])
self._assertProtoEqual(
example.features.feature['image/object/bbox/ymin'].float_list.value,
[104.0/340])
self._assertProtoEqual(
example.features.feature['image/object/bbox/xmax'].float_list.value,
[1.0])
self._assertProtoEqual(
example.features.feature['image/object/bbox/ymax'].float_list.value,
[336.0/340])
self._assertProtoEqual(
example.features.feature['image/object/class/text'].bytes_list.value,
['panda'])
self._assertProtoEqual(
example.features.feature['image/object/class/label'].int64_list.value,
[1])
后台回复“准备训练数据”关键字可以获取全部源码。
完成之后运行脚本，传入图片和标注的文件夹路径和输出文件路径：
python create_tf_record.py --image_dir=PATH_OF_IMAGE_SET --output_dir=OUTPUT_DIR
执行完成后会在由output_dir参数指定的目录生成train.record和val.record文件， 分别为训练集和测试集。
生成 label map 文件
最后还需要一个 label map 文件，很简单，因为我们只有一种物体：熊猫
label_map.pbtxt:
item {
id: 1
name: 'panda'
}
训练一个熊猫识别模型所需要的训练数据就准备完了，接下来开始在 GPU 主机上面开始训练。
推荐阅读：
第三课：把tensorflow，模型和测试数据导入Android工程
轻轻一扫 欢迎关注~
