Tensorflow Object Detection API使用TFRecord文件保存正负样本数据。下面是一个包含代码示例的解决方法：

1. 首先，需要准备好正负样本的图像，并将它们分为训练集和验证集。

2. 接下来，将正负样本图像转换为Tensorflow Object Detection API所需的TFRecord格式。可以使用以下代码示例来完成此操作：

import tensorflow as tf
from object_detection.utils import dataset_util

def create_tf_example(example):
    height = example['height']
    width = example['width']
    filename = example['filename']
    image_format = b'jpg'

    encoded_image_data = tf.io.gfile.GFile(example['path'], 'rb').read()

    xmins = []
    xmaxs = []
    ymins = []
    ymaxs = []
    classes_text = []
    classes = []

    for box in example['boxes']:
        xmins.append(box['xmin'] / width)
        xmaxs.append(box['xmax'] / width)
        ymins.append(box['ymin'] / height)
        ymaxs.append(box['ymax'] / height)
        classes_text.append(box['label'].encode('utf8'))
        classes.append(box['class_id'])

    tf_example = tf.train.Example(features=tf.train.Features(feature={
        'image/height': dataset_util.int64_feature(height),
        'image/width': dataset_util.int64_feature(width),
        'image/filename': dataset_util.bytes_feature(filename.encode('utf8')),
        'image/source_id': dataset_util.bytes_feature(filename.encode('utf8')),
        'image/encoded': dataset_util.bytes_feature(encoded_image_data),
        'image/format': dataset_util.bytes_feature(image_format),
        'image/object/bbox/xmin': dataset_util.float_list_feature(xmins),
        'image/object/bbox/xmax': dataset_util.float_list_feature(xmaxs),
        'image/object/bbox/ymin': dataset_util.float_list_feature(ymins),
        'image/object/bbox/ymax': dataset_util.float_list_feature(ymaxs),
        'image/object/class/text': dataset_util.bytes_list_feature(classes_text),
        'image/object/class/label': dataset_util.int64_list_feature(classes),
    }))
    return tf_example

def create_tf_record(output_path, examples):
    writer = tf.io.TFRecordWriter(output_path)
    for example in examples:
        tf_example = create_tf_example(example)
        writer.write(tf_example.SerializeToString())
    writer.close()

# 示例数据
examples = [
    {
        'path': 'path/to/image1.jpg',
        'filename': 'image1.jpg',
        'height': 480,
        'width': 640,
        'boxes': [
            {
                'xmin': 100,
                'xmax': 200,
                'ymin': 150,
                'ymax': 250,
                'label': 'person',
                'class_id': 1
            },
            {
                'xmin': 300,
                'xmax': 400,
                'ymin': 200,
                'ymax': 300,
                'label': 'dog',
                'class_id': 2
            }
        ]
    },
    # 添加更多示例数据...
]

# 创建TFRecord文件
create_tf_record('path/to/train.record', examples)

以上代码会将示例数据转换为TFRecord格式，并将其保存为train.record文件。

3. 重复步骤2，将验证集的样本数据转换为TFRecord格式，并保存为val.record文件。

使用以上方法可以将正负样本数据保存为Tensorflow Object Detection API所需的TFRecord格式，以便在训练模型时使用。