tensorflow_models_learning

老铁要是觉得不错，给个“star”

1.生成record训练数据

dataset已经包含了训练和测试的图片，请直接运行create_tf_record.py

对于InceptionNet V1:设置resize_height和resize_width = 224
对于InceptionNet V3:设置resize_height和resize_width = 299
其他模型，请根据输入需要设置resize_height和resize_width的大小

if __name__ == '__main__':
    # 参数设置
    resize_height = 224  # 指定存储图片高度
    resize_width = 224  # 指定存储图片宽度
    shuffle=True
    log=5
    # 产生train.record文件
    image_dir='dataset/train'
    train_labels = 'dataset/train.txt'  # 图片路径
    train_record_output = 'dataset/record/train{}.tfrecords'.format(resize_height)
    create_records(image_dir,train_labels, train_record_output, resize_height, resize_width,shuffle,log)
    train_nums=get_example_nums(train_record_output)
    print("save train example nums={}".format(train_nums))

    # 产生val.record文件
    image_dir='dataset/val'
    val_labels = 'dataset/val.txt'  # 图片路径
    val_record_output = 'dataset/record/val{}.tfrecords'.format(resize_height)
    create_records(image_dir,val_labels, val_record_output, resize_height, resize_width,shuffle,log)
    val_nums=get_example_nums(val_record_output)
    print("save val example nums={}".format(val_nums))

    # 测试显示函数
    # disp_records(train_record_output,resize_height, resize_width)
    batch_test(train_record_output,resize_height, resize_width)

2.训练过程

目前提供VGG、inception_v1、inception_v3、mobilenet_v以及resnet_v1的训练文件，只需要生成tfrecord数据，即可开始训练

训练VGG请直接运行：vgg_train_val.py
训练inception_v1请直接运行：inception_v1_train_val.py
训练inception_v3请直接运行：inception_v3_train_val.py
训练mobilenet_v1请直接运行：mobilenet_train_val.py
其他模型，请参考训练文件进行修改

3.资源下载

• 本项目详细说明，请参考鄙人博客资料：

《使用自己的数据集训练GoogLenet InceptionNet V1 V2 V3模型》: https://panjinquan.blog.csdn.net/article/details/81560537
《tensorflow实现将ckpt转pb文件》: https://panjinquan.blog.csdn.net/article/details/82218092
《使用自己的数据集训练MobileNet、ResNet实现图像分类（TensorFlow）》https://panjinquan.blog.csdn.net/article/details/88252699 预训练模型下载地址: https://download.csdn.net/download/guyuealian/10610847

• 老铁要是觉得不错，给个“star”
• tensorflow-gpu==1.4.0

tensorflow_models_learning 快速上手指南

本指南帮助开发者快速使用 tensorflow_models_learning 项目，基于自定义数据集训练 VGG、Inception、MobileNet 及 ResNet 等经典模型。

1. 环境准备

系统要求

• 操作系统: Linux / Windows / macOS
• Python 版本: 推荐 Python 3.5+ (兼容项目依赖)
• TensorFlow 版本: 必须安装 tensorflow-gpu==1.4.0 (项目强依赖此版本)

前置依赖

请确保已安装 GPU 驱动及 CUDA/cuDNN（若使用 GPU 加速）。

建议使用国内镜像源加速安装：

pip install tensorflow-gpu==1.4.0 -i https://pypi.tuna.tsinghua.edu.cn/simple

注：若无需 GPU 支持，可安装 tensorflow==1.4.0，但训练速度会显著降低。

2. 安装步骤

1. 克隆项目代码

   git clone <项目仓库地址>
   cd tensorflow_models_learning
   

2. 准备数据集 项目默认包含 dataset 目录，需确保以下结构存在：

   • dataset/train/: 存放训练图片
   • dataset/train.txt: 训练集标签文件
   • dataset/val/: 存放验证图片
   • dataset/val.txt: 验证集标签文件
   • dataset/record/: 用于存放生成的 TFRecord 文件（若不存在请手动创建）

3. 基本使用

使用流程分为两步：生成 TFRecord 数据 -> 启动模型训练。

第一步：生成 TFRecord 训练数据

编辑并运行 create_tf_record.py。需根据所选模型调整输入图片尺寸：

• Inception V1: 224 x 224
• Inception V3: 299 x 299
• 其他模型: 根据模型要求设置 resize_height 和 resize_width

修改脚本中的参数示例（以 Inception V1 为例）：

if __name__ == '__main__':
    # 参数设置
    resize_height = 224  # 指定存储图片高度
    resize_width = 224   # 指定存储图片宽度
    shuffle = True
    log = 5
    
    # 产生 train.record 文件
    image_dir = 'dataset/train'
    train_labels = 'dataset/train.txt'
    train_record_output = 'dataset/record/train{}.tfrecords'.format(resize_height)
    create_records(image_dir, train_labels, train_record_output, resize_height, resize_width, shuffle, log)
    
    # 产生 val.record 文件
    image_dir = 'dataset/val'
    val_labels = 'dataset/val.txt'
    val_record_output = 'dataset/record/val{}.tfrecords'.format(resize_height)
    create_records(image_dir, val_labels, val_record_output, resize_height, resize_width, shuffle, log)

运行脚本：

python create_tf_record.py

运行成功后，dataset/record/ 目录下将生成对应的 .tfrecords 文件。

第二步：开始训练

根据目标模型，直接运行对应的训练脚本即可：

• 训练 VGG:

  python vgg_train_val.py
  

• 训练 Inception V1:

  python inception_v1_train_val.py
  

• 训练 Inception V3:

  python inception_v3_train_val.py
  

• 训练 MobileNet V1:

  python mobilenet_train_val.py
  

提示：如需训练其他模型或修改超参数，请参考项目中对应的 _train_val.py 文件进行修改。

---

更多详细教程及预训练模型下载，请参考项目原作者博客资源。