0、前言

本文章所需文件下载地址：
链接：https://pan.baidu.com/s/18UP1HfdgX27hmyFB25a5FQ
提取码：1eci

本文章基于：2、训练模型 https://blog.csdn.net/lemon4869/article/details/107050702，请先实现这个。

1、create_directories.py 一键创建项目目录结构

操作 将下载的 create_directories.py 复制到 tf_train\workspaces 目录下，然后打开处于 tf_gpu 环境的控制台，切换到该目录。
输入命令 python create_directories.py --name=my_training_demo，就会创建相应的目录结构。

修改 train.py，在 main 函数最前面添加：

# GPU 按需分配
config = tf.compat.v1.ConfigProto(allow_soft_placement=True)
config.gpu_options.per_process_gpu_memory_fraction = 0.3
tf.compat.v1.keras.backend.set_session(tf.compat.v1.Session(config=config))

one_command_train.py 一键训练模型

操作 进入 workspaces\my_training_demo\training 目录。
输入命令 python one_command_train.py --steps=100 --batch_size=12

整个文件的执行逻辑：

1. 检查文件夹是否存在
2. 检查 train 目录、eval 目录里是否有图片及标注文件
3. 检查预训练模型 ssd_inception_v2_coco 是否存在，若不存在则下载模型
4. 提取标签映射文件 label_map.pbtxt 里的信息
5. 创建 tfrecord 文件
6. 从命令行读取训练步数（steps）和批样本个数（batch_size）
7. 修改 ssd_inception_v2_coco.config 文件
8. 启动训练

训练完成的截图：
导出模型、用模型做目标检测请看前一章：2、训练模型 https://blog.csdn.net/lemon4869/article/details/107050702

本文地址：https://blog.csdn.net/lemon4869/article/details/107145398