计算机视觉技术正在革新医疗影像领域。例如，谷歌在2020年初发布的研究结果表明，医生能够为每十名女性提供更准确的乳房X光检查诊断（假阴性减少了9.7%）。本指南将引导如何使用TensorFlow对象检测API来训练一个MobileNet SSDv2模型，以识别自定义数据集中的对象。
如果想要利用现有的架构来训练一个模型识别自定义对象，需要做一些工作。本指南将带了解如何使用TensorFlow 1.5对象检测API来训练一个MobileNet SSDv2模型。Roboflow可以处理图像、标注、TFRecord文件和标签映射的生成，只需要更改两行代码即可基于MobileNetSSDv2架构训练TensorFlow对象检测器。
示例数据集是364张细胞群图像和4888个标签，用于识别红细胞、白细胞和血小板。这个数据集最初由comicad和akshaymaba开源，并可在Roboflow公共数据集上找到。幸运的是，这个数据集已经预先标注好了，所以可以直接开始准备图像和标注。
对于自定义数据集，考虑从谷歌图片搜索中自动收集图像，并使用免费的LabelImg工具进行标注。准备图像进行对象检测包括但不限于：验证标注是否正确（例如，没有标注超出图像框架）；确保图像的EXIF方向正确（即图像在磁盘上的存储方式与在应用程序中查看它们的方式不同）；调整图像大小并更新图像标注以匹配新调整大小的图像；检查数据集的健康状况，如类别平衡、图像大小和纵横比，并确定这些可能如何影响想要执行的预处理和增强；进行各种可能提高模型性能的颜色校正，如灰度和对比度调整。
类似于表格数据，清理和增强图像数据可以比模型架构的变化更提高最终模型性能。Roboflow Organize专门为此设计，可以无缝解决这些挑战。实际上，Roboflow Organize将需要编写的代码减少了大约一半，同时让访问更多的预处理和增强选项。对于少于1000张图像的数据集，它是免费的。
对于BCCD问题，完整的BCCD显微镜数据集可以在这里找到。（注意：查看下面的内容，了解如何最初使用训练和测试拆分，而不是这个完整数据集。）对于自定义数据集，按照这个简单的逐步指南将图像及其标注上传到Roboflow。
为了TensorFlow能够以训练所需的格式读取图像及其标签，必须生成TFRecords和一个将标签映射到数字的字典（适当地称为标签映射）。坦率地说，这是乏味的，并且依赖于为每个数据集编写冗余代码。Roboflow为生成TFRecords和标签映射。
因为需要一组TFRecords用于训练，另一组用于测试，所以需要在Roboflow上创建一个训练集和一个测试集。方便的是，数据集导出已经配置了适当的数据集拆分，当导出TensorFlowTFRecord或任何可用格式时。访问Roboflow Universe上的BCCD数据集，并点击右上角的“下载”以将其添加到Roboflow账户。导航到BCCD数据集并点击“下载此数据集”。创建此数据集的导出。（可以选择尝试这些预处理或增强步骤。对于第一次尝试，保持设置不变。）
现在，点击“继续”。在下载选项中，确保选择了“TensorFlowTFRecord”。对于下载位置，选择“显示代码片段”。这将允许直接将下载代码复制并粘贴到Colab笔记本中！导出数据集（Roboflow知识库）。很快就会有一个代码片段。（不要公开分享它 - 它包含与特定Roboflow账户相关联的密钥。）对于训练集和测试集重复这些步骤。就这样！已经生成了TFRecords和标签映射。此外，还有能力训练任何预处理/增强步骤并检查数据集的健康状况。
对于自定义数据集，Roboflow将在上传时帮助将其拆分为训练、验证和测试集。阅读入门指南。将训练一个MobileNet Single Shot Detector Version 2。这种特定的架构由谷歌研究，针对轻量级推理进行了优化，使其能够在计算受限的移动和嵌入式设备上表现良好（因此得名！）。要深入了解MobileNet，请参见这篇论文。要了解版本2如何提高准确性，请参见这篇论文。幸运的是，这种架构在TensorFlow对象检测API中免费提供。
将利用谷歌Colab进行免费的GPU计算（最多12小时）。Colab笔记本在这里。这个基于的GitHub仓库在这里。关于这个笔记本有一些事情需要注意：为了运行初始模型，训练步骤的数量被限制在1000。增加这个数字可以改善结果。包含MobileNet的模型配置文件在训练时包括两种类型的数据增强：随机裁剪和随机水平和垂直翻转。模型配置文件的默认批量大小是12，学习率是0.0004。根据训练结果调整这些。笔记本包括一个可选的TensorBoard实现，使能够实时监控模型的训练性能。TensorBoard损失：向下和向右！
对于自定义数据集，需要将自己的TFRecords加载到Colab笔记本中，用于训练和测试集。这些单元格清楚地用注释标记为#训练集 - 替换此链接和#测试集 - 替换此链接。在上面创建导出后生成的Roboflow链接就是放在这里。这个URL可以是任何对象检测数据集，不仅仅是BCCD数据集！
随着训练模型，其拟合存储在一个名为./fine_tuned_model的目录中。笔记本中有步骤来保存这个模型拟合 - 要么本地下载到机器上，要么通过连接到Google Drive并在那里保存模型拟合。保存模型拟合不仅允许以后在生产中使用它，甚至可以加载最近的模型权重，从离开的地方恢复训练！
在这个特定的笔记本中，在保存在GitHub仓库中的test目录中的图像上进行推理。这是克隆到Colab笔记本的GitHub仓库中的一个示例图像（Image_0035.jpg）。甚至发现了血小板！对于仅训练1000步来说还不错！对于自定义数据集，需要将自己的图像上传到位于tensorflow-object-detection/test的test文件夹中。（注意：这与tensorflow-object-detection/data/test不同。）这也在Colab笔记本中描述。
做到了！已经训练了一个对象检测模型到自定义的生物学数据集。现在，在生产中使用这个模型引发了一个问题，即生产环境将是什么。例如，将在移动应用中运行模型，通过远程服务器，甚至在Raspberry Pi上？将如何使用模型决定了保存和转换其格式的最佳方式。
考虑这些资源作为问题的下一步：转换为TFLite（适用于Android和iPhone），转换为CoreML（适用于iPhone应用），转换为在远程服务器上使用，或部署到Raspberry Pi。告诉如何使用Roboflow/对象检测，可以特色项目，并合作撰写博客文章。在社区论坛和应用内聊天中对反馈最为敏感，任何Roboflow用户都可以使用。