参考链接：

object detection api调参详解（兼SSD算法参数详解）

https://copyfuture.com/blogs-details/20200630233052263i2qwtu5rloywtv1

文章详细介绍了ssd_mobilenet_v1_pets.config中的参数含义与配置建议，大部分还是正确的可供参考。

这与我训练中使用的ssd_mobilenet_v2_coco.config文件基本类似。

下面简单补充几点：

1，anchor_generator参数的配置。

 其中默认参数如下：  min_scale: 0.2    max_scale: 0.95 修改建议：对训练集中的box宽度进行统计，进行相应修改。   2， post_processing  该部分参数也可以根据需要调整。 batch_non_max_suppression {         score_threshold: 1e-8         iou_threshold: 0.6         max_detections_per_class: 100 #每个类别可保留的检测框的最大数目。         max_total_detections: 100 #所有类别可保留的检测框的最大数目。       }       score_converter: SIGMOID   # 检测分数的转换器类型选择   3，train_config: 最重要的修改部分：训练参数 {   batch_size: 48 # 越大越好，只要你的算力和显存大小满足。   optimizer {     rms_prop_optimizer: {  #优化器的选择，还可以尝试使用，       learning_rate: {         exponential_decay_learning_rate { #学习率的变化，除了指数型变化外，还有momentum_optimizer，adam_optimizer这两种优化方式。           initial_learning_rate: 0.004# 初始学习率           decay_steps: 800720 #学习率变化周期           decay_factor: 0.95 #衰减率         }       }       momentum_optimizer_value: 0.9   # 冲量  在学习率比较小时，较大的冲量（冲量不超过1）可以加速收敛。       decay: 0.9       epsilon: 1.0     }   }   4，fine_tune_checkpoint 设置预训练模型的路径，用于精调，并非用于0步训练时使用。
待补充ing