一、安裝 Tensorflow 及 Object Detection API
1.安裝Tensorflow
TensorFlow中文社群文檔：Tensorflow安裝。
2.安裝Object Detection API
參考Github上，TensorFlow
models/research/object_detection
裡的安裝教程。
添加庫的路徑到PYTHONPATH，使用編輯器如gedit打開
~/.bashrc
檔案，将以下指令添加到一個新行。其中
pwd
代表
models/research
的路徑，可去掉`符号，然後在終端
bash
一下。
# From tensorflow/models/research/
export PYTHONPATH=$PYTHONPATH:`pwd`:`pwd`/slim
注：pip install 如果是用sudo，則安裝系統預設python下的包，如果TensorFlow是安裝在其他python下（如miniconda），則不加sudo。
二、使用 Oxford-IIIT Pet 資料集進行測試
1.下載下傳解壓資料集，并将其轉換為TFRecords
參考Github上，TensorFlow
models/research/object_detection
裡的說明文檔。
Pet資料集裡有部分圖檔損毀，應該删除掉，否則會在運作eval.py時報以下錯誤：
Corrupt JPEG data: 240 extraneous bytes before marker 0xd9
。參考文檔可知，
egyptian_mau_14, 139, 145, 156, 167, 177, 186, 191; abyssinian_5, 34; chihuahua_121; beagle_116
為損壞的檔案，應删去對應的
.jpg; .xmls;
以及
list.txt、test.txt、trainval.txt
裡對應的行。
2.下載下傳用于遷移學習的預訓練模型
在Tensorflow Detection Model Zoo裡下載下傳 COCO-pretrained SSD with MobileNet model,存放在
models/research
檔案夾中，并解壓。
3.配置對象檢測管道
參考文檔
在 Tensorflow object detection API 裡，配置檔案定義了模型參數、訓練參數等參數，檔案為
object_detection/protos/pipeline.proto
。在此實驗中，采用一些預定義模闆，選擇在
object_detection/samples/configs
檔案夾中的模闆，此處采用
ssd_mobilenet_v1_pets.config
作為而配置管道的起點。如果不采用預定義模闆配置管道，參考Configuring the Object Detection Training Pipeline。
在
ssd_mobilenet_v1_pets.config
檔案中，修改
fine_tune_checkpoint
、
input_path
和
label_map_path
路徑。
fine_tune_checkpoint
應該提供一個已存在的checkpoint路 ，在下載下傳的預訓練模型的檔案中包含有
model.ckpt.data-00000-of-00001, model.ckpt.index, model.ckpt.meta
，比如
fine_tune_checkpoint
的路徑可設定為
/home/cyj/Project/models/research/ssd_mobilenet_v1_coco_2017_11_17/model.ckpt
。
4.運作
運作訓練程式
# From the tensorflow/models/research/ directory
python object_detection/train.py \
--logtostderr \
--pipeline_config_path=${PATH_TO_YOUR_PIPELINE_CONFIG} \
--train_dir=${PATH_TO_TRAIN_DIR} \
${PATH_TO_YOUR_PIPELINE_CONFIG}
指向管道訓練檔案，如
/home/cyj/Project/models/research/object_detection/samples/configs/ssd_mobilenet_v1_pets.config
，
${PATH_TO_TRAIN_DIR}
定義訓練事件寫入路徑，先建立相關
train
檔案夾，如
/home/cyj/Project/models/research/train
，
output_inference_graph.pb
為導出的訓練的模型。
TensorFlow 模型儲存參考文檔。
運作測試程式
# From the tensorflow/models/research/ directory
python object_detection/eval.py \
--logtostderr \
--pipeline_config_path=${PATH_TO_YOUR_PIPELINE_CONFIG} \
--checkpoint_dir=${PATH_TO_TRAIN_DIR} \
--eval_dir=${PATH_TO_EVAL_DIR}
${PATH_TO_EVAL_DIR}
定義測試事件寫入路徑，先建立相關
eval
檔案夾，如
/home/cyj/Project/models/research/eval
。
運作Tensorboard
模型訓練和測試的過程可通過Tensorboard進行檢視，使用以下指令運作Tensorboard：
其中
${PATH_TO_MODEL_DIRECTORY}
指向包含
train
和
eval
的目錄。例如
~$ tensorboard --logdir=/home/cyj/Project/models/research
。
輸出訓練的模型
模型訓練後，将其導出為TensorFlow Graph樣式。一個checkpoint由以下三個部分組成：
model.ckpt-${CHECKPOINT_NUMBER}.data--of-,
model.ckpt-${CHECKPOINT_NUMBER}.index
model.ckpt-${CHECKPOINT_NUMBER}.meta
當要把已有的checkpoint轉化為graph，執行以下代碼即可得到名為
output_inference_graph.pb
的graph。
# From tensorflow/models/research/
python object_detection/export_inference_graph.py \
--input_type image_tensor \
--pipeline_config_path ${PIPELINE_CONFIG_PATH} \
--trained_checkpoint_prefix ${TRAIN_PATH} \
--output_directory output_inference_graph.pb
三、使用模型進行檢測
參考代碼 Github: Video_Object_Detection， 此實驗中可通過模型，進行照片和視訊中的目标檢測。