为猪脸识别而进行自己数据集的构建、训练

在实际过程中走了弯路，特地进行说明记录，以备今后参考。

思路是先构建VOC2007格式的猪脸数据集，在转换成tf格式，然后利用tf的objectdetectionapi进行训练。原因是把2种构建方式都熟悉一遍，并把所有流程过一遍。

1、构架VOC2007格式的猪脸数据集

                                    ------ Annotations

                            ------ ImageSets

                                              ------ Main

                                   ------ JPEGImages

第一步：准备自己需要的图片，最好是jpg格式。如若不是则需要转换成jpg格式。

因为很多图片都是从网上找的，格式、大小都不一样，为了后续训练需要最好统一下大小，并把格式统一转换成jpg格式。 

图片的数量，一般来说最好一千张以上。为了后续训练出好的效果，最好一万张以上。

第二步：图片的重命名，因为VOC2007格式必须为JPG格式，并且图片是统一的六位数字，从000001开始。那我们也需要将所有训练图片重命名为此。

第三步：进行目标物体的标注。推荐用labelImg，因为它可直接生成符合VOC2007格式的xml文件。

                   主要是体力活。

第四步：数据集的分割。

                   在实际训练过程中，需要四个文件，分别为test.txt是测试集，train.txt是训练集，val.txt是验证集，trainval.txt是训练和验证集。每个文件为对于图片的名字。在VOC2007中，trainval大概是整个数据集的50%，test也大概是整个数据集的50%；train大概是trainval的50%，val大概是trainval的50%。

                   参照python源码：split-datasets.py

                                   ------ Annotations 将xml文件全部放到该文件夹里

                            ------ ImageSets

                                            ------ Main 其有四个txt文件，test.txt是测试集，train.txt是训练集，val.txt是验证集，trainval.txt是训练和验证集。Txt里的内容是即图片名字（无后缀）。

                                     ------ JPEGImages 所有的训练图片放到该文件夹里

第七步：转换成tf的record格式的数据集文件。

第八步：进行训练。

上述的6，7，8可参考我的github代码，网址是。