能否在TensorFlow Object Detection API中使用Inception v3模型及配置方法

当然可行！不过得先澄清一个关键点：你之前用的ssd_mobilenet_v1_coco_11_06_2017是专门的目标检测模型，但原生Inception v3本身是图像分类模型——直接拿来做目标检测肯定不行，得用基于Inception v3的目标检测变体，比如faster_rcnn_inception_v3_coco这类预训练模型，这些是官方已经适配好目标检测任务的。

下面是具体的操作步骤：

一、找到适配的预训练模型 #

• 去TensorFlow官方的Model Zoo里找基于Inception v3的目标检测预训练模型，比如faster_rcnn_inception_v3_coco_2018_01_28这类（这类模型是把Inception v3作为特征提取器，搭配Faster R-CNN检测头实现目标检测）
• 下载对应的模型压缩包，解压后会得到三个核心部分：frozen_inference_graph.pb（直接推理用）、model.ckpt系列文件（用于微调训练），以及配套的配置文件模板。

二、修改配置文件 #

1. 获取配置模板 #

在TensorFlow Object Detection API的models/research/object_detection/samples/configs目录下，能找到对应模型的配置文件模板，比如faster_rcnn_inception_v3_coco.config，把它复制到你的工作目录里进行修改。

2. 关键参数修改 #

• 预训练模型路径：找到fine_tune_checkpoint字段，把它改成你解压后的model.ckpt的完整路径，比如：

  fine_tune_checkpoint: "/home/your_user/models/faster_rcnn_inception_v3_coco_2018_01_28/model.ckpt"
  

• 数据路径配置：更新train_input_reader和eval_input_reader里的input_path和label_map_path，指向你自己的TFRecord训练/测试文件和标签映射文件，示例如下：

  train_input_reader: {
    tf_record_input_reader {
      input_path: "/home/your_user/dataset/train.record"
    }
    label_map_path: "/home/your_user/dataset/label_map.pbtxt"
  }
  

• 类别数量：找到num_classes字段，改成你自己数据集的类别总数，比如你要检测5类物体，就设置num_classes: 5
• 训练步数：根据你的数据集大小和需求调整num_steps，比如从默认的200000改成50000（小数据集不用训那么久）

3. 推理场景的简化操作 #

如果只是想用预训练模型做推理，不需要微调训练，那直接把之前脚本里的模型路径换成Inception v3变体的frozen_inference_graph.pb即可，不用修改训练配置文件。

三、验证运行 #

• 要是做微调训练，用修改后的配置文件启动训练脚本，比如（TF2版本的命令）：

  python model_main_tf2.py --model_dir=./my_training_dir --pipeline_config_path=./faster_rcnn_inception_v3_coco.config
  

• 要是做推理，替换脚本里的模型路径后运行，检查检测结果是否正常即可。

内容的提问来源于stack exchange，提问作者Chamod Pathirana