Tensorflow object detection API ——環境搭建與測試

一、開發環境搭建

①、安裝Anaconda

　　建議選擇 Anaconda3-5.0.1 版本，已經集成大多數庫，並將其做爲默認python版本（3.6.3），配置好環境變量（Anaconda安裝則已經配好）。也能夠直接安裝python，安裝各類包比較麻煩，所以直接裝了Anaconda集成環境。

　　安裝完Anaconda後，打開Anaconda Prompt，逐個輸入conda --version和python --version，出現下圖所示內容則安裝成功。

 

②、安裝TensorFlow

　　若是是初學者，咱們安裝cpu版本的tensorflow足夠使用。安裝TensorFlow-cpu很簡單，打開Anaconda Prompt，輸入pip install tensorflow。稍等一會就安裝成功。經過輸入如下代碼，檢測是否安裝成功。

python

import tensorflow as tf

 hello = tf.constant('Hello, TensorFlow!')

 sess = tf.Session()

 print(sess.run(hello))

　　若是輸出以下圖所示，則安裝成功。

 

若是輸入import tensorflow as tf出現以下警告：

　　FutureWarning: Conversion of the second argument of issubdtype from `float` to `np.floating` is deprecated. In future, it will be treated as `np.float64 == np.dtype(float).type`.from ._conv import register_converters as _register_converters。則須要打開Anaconda Prompt，輸入pip install h5py==2.8.0rc1解決。

若是輸入 sess = tf.Session()出現Your CPU supports instructions that this TensorFlow binary was not compiled to use: AVX AVX2，則代表TensorFlow版本過低了，須要打開Anaconda Prompt，輸入pip install --upgrade tensorflow解決。

③、下載Tensorflow object detection API模型，從https://github.com/tensorflow/models下載。解壓文件到磁盤指定目錄，例如C:\Users\CFF\Desktop，重命名爲models（此包內包括各類內容，咱們所用到的object_detection文件夾在C:\Users\CFF\Desktop\models\research文件夾下）

④、Protobuf 編譯。從https://github.com/google/protobuf/releases下載windows版的工具，如protoc-3.6.1-win32.zip，解壓到C:\Users\CFF\Desktop，生成：bin, include兩個文件夾。打開Anaconda Prompt，cd C:\Users\CFF\Desktop\models\research ，輸入C:\Users\CFF\Desktop\bin\protoc ，編譯結果以下說明能夠開始編譯。

 

Protobuf 編譯，用protoc可執行文件編譯目錄object_detection/protos下的proto文件，生成Python文件。如：C:\Users\CFF\Desktop\bin\protoc object_detection/protos/*.proto --python_out=.。如何出現object_detection/protos/*.proto目錄沒有發現，能夠將*號改爲對應的文件逐個編譯，生成對應的Python文件。 

⑤、測試。打開Anaconda Prompt，cd C:\Users\CFF\Desktop\models\research目錄，輸入jupyter notebook，跳轉到網頁界面。

在cell中選擇runAll，正常的話稍等一下子就會有結果：

到此，已經成功完成了環境搭建與測試。

⑥、用來測試本身的圖片，改變PATH_TO_TEST_IMAGES_DIR 的路徑，個人以下所示。測試圖片命名爲image1.jpg   image2.jpg... 相應的數量for i in range(1, 3)也要根據本身的圖片數量進行改變。

運行後，輸出結果以下：