地址：
https://github.com/tensorflow/models.git
然后进入目录：
cd models/research/slim/datasets/
下载Imagenet2012数据集
可以到官网注册下载，或者：
我这里把数据放到了tensorflow路径下：
./models/research/slim/datasets/imagenet2012
models也就是上边下载的tensorflow代码的路径，imagenet2012是自己创建的目录，然后下载完后：
红色的是我要用的数据集，本身我的目的是要做评估，应该用不到ILSVRC2012_bbox_train_v2.tar，但是转数据的时候报找不到某些文件，因此也加上了它，后缀V3 V2代表不同的任务。
蓝色的需要先创建一下目录后续解压数据集要用到。
处理数据参考的是华为的文档：
https://support.huawei.com/enterprise/zh/doc/EDOC1100191905/a8d9a8a2
可以准备一个解压脚本，解压到对应目录：
#!/bin/bash # mkdir -p train val bbox imagenet_tf tar -xvf ILSVRC2012_img_train.tar -C train/ tar -xvf ILSVRC2012_img_val.tar -C val/ tar -xvf ILSVRC2012_bbox_train_v2.tar -C bbox/ tar -xvf ILSVRC2012_bbox_val_v3.tgz -C bbox/
先上脚本，然后说一下执行前如何修改脚本里用到的python文件的内容。
python preprocess_imagenet_validation_data.py ./imagenet2012/val/ imagenet_2012_validation_synset_labels.txt python process_bounding_boxes.py ./imagenet2012/bbox/ imagenet_lsvrc_2015_synsets.txt | sort > imagenet_2012_bounding_boxes.csv python build_imagenet_data.py --output_directory=./imagenet2012/imagenet_tf --validation_directory=./imagenet2012/val
三个脚本均在 ./models/research/slim/datasets 目录下，我们知道tensorflow本身跨版本之前的代码有很大的区别，像 build_imagenet_data.py 等大多数脚本已经是2年前的了，现在的好多新的环境，比如python3中，直接执行会报很多错误，看下怎么改，参考：
蓝色改成自己对应的红色：
可以看到train 数据路径和 output的路径都和val路径一样，否则找不到 n01440764 ，这里我觉得我的数据还是有问题。
大概500行左右：
# 原来 shuffled_index = range(len(filenames)) ，加list()改为以下： shuffled_index = list(range(len(filenames)))
蓝色改为红色，绿色很多网友说要改，但是我这里改了反而报错。
蓝色改为红色：
加判断：
然后就可以转换了，结果是：
python eval_image_classifier.py \ --checkpoint_path='./weights' \ --eval_dir='./log/' \ --dataset_name=imagenet \ --dataset_split_name=validation \ --dataset_dir='./datasets/imagenet2012/imagenet_tf/' \ --model_name=resnet_v1_50
| 参数 | 解释 |
|---|---|
| checkpoint_path | 参数可以接收目录路径或者文件路径。如果是一个目录路径，则会查找这个目录下最新的模型 |
| eval_dir | 执行结果日志的保存目录 |
| dataset_name | 我这里是imagenet，需要对应任务数据集 |
| dataset_split_name | 指定需要执行的数据集。注意此处是使用验证集（ validation ）执行验证 |
| dataset_dir | tfrecords数据位置 |
| model_name | 模型的名称，对应checkpoint_path 路径下的 |
执行后会打印出如下内容：
eval/Accuracy[0.51]
eval/Recall_5[0.973333336]
Accuracy表示模型的分类准确率，Recall_5表示前5次的准确率
