### 1. 大标题
** 1.1 子标题 **
'''
重点或者命令
'''
### 大标题
- 拓展说明

### 5. 深度学习中的目标检测

**5.2.3 训练新的模型**
目录为：

```
research/
  object_detection/
    voc/
      VOCdevkit/
        VOC2012/
          JPEGImages/
            2007_000027.jpg
            2007_000032.jpg           
            ………………
          Annotations/
            2007_000027.xml
            2007_000032.xml           
            ………………
          ………………
```

在object_detection目录中执行如下命令将数据集转换为tfrecord：

```
python create_pascal_tf_record.py --data_dir voc/VOCdevkit/ --year=VOC2012 --set=train --output_path=voc/pascal_train.record
python create_pascal_tf_record.py --data_dir voc/VOCdevkit/ --year=VOC2012 --set=val --output_path=voc/pascal_val.record
```

**5.2.4 导出模型并预测单张图片**

运行(需要根据voc/train_dir/里实际保存的checkpoint，将1582改为合适的数值)：
```
python export_inference_graph.py \
  --input_type image_tensor \
  --pipeline_config_path voc/voc.config \
  --trained_checkpoint_prefix voc/train_dir/model.ckpt-1582
  --output_directory voc/export/
```

导出的模型是voc/export/frozen_inference_graph.pb 文件。

#### 拓展阅读

- 本章提到的R-CNN、SPPNet、Fast R-CNN、Faster R-CNN 都是基于 区域的深度目标检测方法。可以按顺序阅读以下论文了解更多细节： Rich Feature Hierarchies for Accurate Object Detection and Semantic Segmentation (R-CNN) 、Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition（SPPNet）、Fast R-CNN （Fast R-CNN）、Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks（Faster R-CNN）。

- 限于篇幅，除了本章提到的这些方法外，还有一些有较高参考价值 的深度学习目标检测方法，这里同样推荐一下相关的论文：R-FCN: Object Detection via Region-based Fully Convolutional Networks （R-FCN）、You Only Look Once: Unified, Real-Time Object Detection （YOLO）、SSD: Single Shot MultiBox Detector（SSD）、YOLO9000: Better, Faster, Stronger（YOLO v2 和YOLO9000）等。