一、安装 Tensorflow 及 Object Detection API
1.安装Tensorflow
TensorFlow中文社区文档：Tensorflow安装。
2.安装Object Detection API
参考Github上，TensorFlow
models/research/object_detection
里的安装教程。
添加库的路径到PYTHONPATH，使用编辑器如gedit打开
~/.bashrc
文件，将以下命令添加到一个新行。其中
pwd
代表
models/research
的路径，可去掉`符号，然后在终端
bash
一下。
# From tensorflow/models/research/
export PYTHONPATH=$PYTHONPATH:`pwd`:`pwd`/slim
注：pip install 如果是用sudo，则安装系统默认python下的包，如果TensorFlow是安装在其他python下（如miniconda），则不加sudo。
二、使用 Oxford-IIIT Pet 数据集进行测试
1.下载解压数据集，并将其转换为TFRecords
参考Github上，TensorFlow
models/research/object_detection
里的说明文档。
Pet数据集里有部分图片损毁，应该删除掉，否则会在运行eval.py时报以下错误：
Corrupt JPEG data: 240 extraneous bytes before marker 0xd9
。参考文档可知，
egyptian_mau_14, 139, 145, 156, 167, 177, 186, 191; abyssinian_5, 34; chihuahua_121; beagle_116
为损坏的文件，应删去对应的
.jpg; .xmls;
以及
list.txt、test.txt、trainval.txt
里对应的行。
2.下载用于迁移学习的预训练模型
在Tensorflow Detection Model Zoo里下载 COCO-pretrained SSD with MobileNet model,存放在
models/research
文件夹中，并解压。
3.配置对象检测管道
参考文档
在 Tensorflow object detection API 里，配置文件定义了模型参数、训练参数等参数，文件为
object_detection/protos/pipeline.proto
。在此实验中，采用一些预定义模板，选择在
object_detection/samples/configs
文件夹中的模板，此处采用
ssd_mobilenet_v1_pets.config
作为而配置管道的起点。如果不采用预定义模板配置管道，参考Configuring the Object Detection Training Pipeline。
在
ssd_mobilenet_v1_pets.config
文件中，修改
fine_tune_checkpoint
、
input_path
和
label_map_path
路径。
fine_tune_checkpoint
应该提供一个已存在的checkpoint路 ，在下载的预训练模型的文件中包含有
model.ckpt.data-00000-of-00001, model.ckpt.index, model.ckpt.meta
，比如
fine_tune_checkpoint
的路径可设置为
/home/cyj/Project/models/research/ssd_mobilenet_v1_coco_2017_11_17/model.ckpt
。
4.运行
运行训练程序
# From the tensorflow/models/research/ directory
python object_detection/train.py \
--logtostderr \
--pipeline_config_path=${PATH_TO_YOUR_PIPELINE_CONFIG} \
--train_dir=${PATH_TO_TRAIN_DIR} \
${PATH_TO_YOUR_PIPELINE_CONFIG}
指向管道训练文件，如
/home/cyj/Project/models/research/object_detection/samples/configs/ssd_mobilenet_v1_pets.config
，
${PATH_TO_TRAIN_DIR}
定义训练事件写入路径，先新建相关
train
文件夹，如
/home/cyj/Project/models/research/train
，
output_inference_graph.pb
为导出的训练的模型。
TensorFlow 模型保存参考文档。
运行测试程序
# From the tensorflow/models/research/ directory
python object_detection/eval.py \
--logtostderr \
--pipeline_config_path=${PATH_TO_YOUR_PIPELINE_CONFIG} \
--checkpoint_dir=${PATH_TO_TRAIN_DIR} \
--eval_dir=${PATH_TO_EVAL_DIR}
${PATH_TO_EVAL_DIR}
定义测试事件写入路径，先新建相关
eval
文件夹，如
/home/cyj/Project/models/research/eval
。
运行Tensorboard
模型训练和测试的过程可通过Tensorboard进行查看，使用以下命令运行Tensorboard：
其中
${PATH_TO_MODEL_DIRECTORY}
指向包含
train
和
eval
的目录。例如
~$ tensorboard --logdir=/home/cyj/Project/models/research
。
输出训练的模型
模型训练后，将其导出为TensorFlow Graph样式。一个checkpoint由以下三个部分组成：
model.ckpt-${CHECKPOINT_NUMBER}.data--of-,
model.ckpt-${CHECKPOINT_NUMBER}.index
model.ckpt-${CHECKPOINT_NUMBER}.meta
当要把已有的checkpoint转化为graph，执行以下代码即可得到名为
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、使用模型进行检测
参考代码 Github: Video_Object_Detection， 此实验中可通过模型，进行照片和视频中的目标检测。