点开“终端”，然后通过pip进行安装tensorflow，其他环境包也可以通过上面的方法安装。

四、重要代码介绍

环境安装好后就可以打开jupyter notebook开始愉快的执行代码了。由于代码众多，博客中就不放入最终代码了，有需要的童鞋可以在博客最下方找到下载地址。

1.图像分类

本项目涉及2个步骤并有一定对比，第一步是根据给定的图像对图像进行分类，找出有异物的图像。

1.1 加载图像数据，预处理，图像数据增强

#数据预处理
#图片加载
# 读取图片+数据处理函数
def read_img(path):
    print("数据集地址："+path)
    imgs = []
    labels = []
    for root, dirs, files in os.walk(path):
        for file in tqdm(files):
            # print(path+'/'+file+'/'+folder)
            # 读取的图片
            img = cv2.imread(os.path.join(root, file))
            # skimage.transform.resize(image, output_shape)改变图片的尺寸
            img = cv2.resize(img, (w, h))
            # 将读取的图片数据加载到imgs[]列表中
            imgs.append(img)
            # 将图片的label加载到labels[]中，与上方的imgs索引对应
            labels.append(str(os.path.basename(root)))
    return imgs,labels
# 调用读取图片的函数，得到图片和labels的数据集
data1, label1 = read_img(train_img_url)

原始图片数量：
1: 1090, 0: 572
其中0为有异物的图片，1为无异物的正常图片。

完成数据增强后数量：

1.2 分类模型训练

1.3 分类模型评估

2.图像检测

完成图像分类后，我们可以使用图像检测的结果做个对比，验证同样数据集情况下，分类和检测哪个效果更好。

1.目标检测数据构建

"""
设置相关文件位置
"""
data_dir = 'data/yolo_data'
# 生成训练数据
split = 'train'
output_file = 'data/tf_data/my_train_dlsb.tfrecord'
classes = 'data/yolo_data/ImageSets/my_class.names'
FLAGS = flags.FLAGS
FLAGS([sys.argv[0]])
FLAGS.data_dir = data_dir
FLAGS.split = split
FLAGS.output_file = output_file
FLAGS.classes = classes
# 生成tf数据集
create_data()

2.目标检测模型训练

# 预训练权重
weights = 'function/yolov3/checkpoints/yolov3.tf'
weights_num_classes = 80
# flags设置
FLAGS.dataset = dataset
FLAGS.val_dataset = val_dataset
FLAGS.classes = classes
FLAGS.num_classes = num_classes
FLAGS.mode = mode
FLAGS.transfer = transfer
FLAGS.batch_size = batch_size
FLAGS.epochs = epochs
FLAGS.weights = weights
FLAGS.weights_num_classes = weights_num_classes

try:
    history,model = run_model_train()
except SystemExit:
    pass

训练过程中我们可以打开tensorboard查看训练进度：

3.目标检测结果

五、训练自己的数据

1.项目目录如下

2.分类模型训练

需要将自己的数据集整理后放入以下项目目录中：

./data/img/

下目录设置，一个类别的图片放入一个文件夹中，如下：

然后执行

1分类识别模型训练.ipynb

即可开始分类模型训练

3.目标检测模型训练

需要将自己的数据集整理后放入以下项目目录中：

./data/yolo_data/

其中：

1. Annotations：放入图像标注的xml文件，命名方式为：图片名.xml
2. ImageSets：图像预处理后生成的文件，放数据时不用管它。
3. JPEGImages：图像数据，命名方式：图片名.jpg

需要注意的是Annotations中xml文件需要和JPEGImages中图片文件名一一对应。
图片标注的xml文件格式如下：

object中：
name为标注的名称
矩形框为：xmin，ymin，xmax，ymax。分别代表标注矩形框左上角坐标和右下角坐标。

<annotation>
	<folder>异物</folder>
	<filename>abnormal (1).jpg</filename>
	<path></path>
	<source>
		<database>Unknown</database>
	</source>
	<size>
		<width>720</width>
		<height>720</height>
		<depth>3</depth>
	</size>
	<segmented>0</segmented>
	<object>
		<name>Plastic board</name>
		<pose>Unspecified</pose>
		<truncated>0</truncated>
		<difficult>0</difficult>
		<bndbox>
			<xmin>268</xmin>
			<ymin>422</ymin>
			<xmax>536</xmax>
			<ymax>536</ymax>
		</bndbox>
	</object>
</annotation>

按格式整理好数据后执行：

3目标检测数据预处理.ipynb

六、完整代码地址

由于项目代码量和数据集较大，感兴趣的同学可以下载完整代码，使用过程中如遇到任何问题可以在评论区评论或者私信我，我都会一一解答。

完整代码下载：
【代码分享】手把手教你：铁路异物侵入的目标检测系统