[神經網絡]一步一步使用Mobile-Net完成視覺識別（一）

1.環境配置

2.數據集獲取

3.訓練集獲取

4.訓練

5.調用測試訓練結果

6.代碼講解

　　本文是第一篇，環境配置篇。

先打開tensorflow object detection api 看看須要什麼配置。

固然，我寫的教程不是很詳細，詳細的請看官方的教程：https://github.com/tensorflow/models/blob/master/research/object_detection/g3doc/installation.md

Tensorflow Object Detection API depends on the following libraries:

• Protobuf 3.0.0
• Python-tk
• Pillow 1.0
• lxml
• tf Slim (which is included in the "tensorflow/models/research/" checkout)
• Jupyter notebook
• Matplotlib
• Tensorflow (>=1.9.0)
• Cython
• contextlib2
• cocoapi

在安裝以前，咱們先把這個object detection model 給git下來，在任意目錄下，命令行輸入如下命令。

git clone https://github.com/tensorflow/models.git

完成以後就能看到一個model文件夾，固然，git命令使用的基礎是你已經安裝了git，怎麼安裝git本身百度吧。。

下一步安裝tensorflow，安裝過的能夠直接跳過。

# 若是你要用CPU，就用下面的代碼
pip install tensorflow
#若是你用GPU，就用這裏的代碼
pip install tensorflow-gpu

固然，pip命令使用的基礎是你已經安裝了pip，若是你不會安裝，請自行百度。

我默認你已經完成了上面的操做，下面就開始安裝其餘東西。

sudo apt-get install protobuf-compiler python-pil python-lxml python-tk
pip install --user Cython
pip install --user contextlib2
pip install --user jupyter
pip install --user matplotlib

命令行裏輸入以上的命令，完成Cython等庫的安裝。

下一步相當重要，你須要安裝COCOAPI。

在任何一個目錄下將cocoapi 給git下來，進入python api目錄，編譯。

而後進入以前輸入make以後的指令，清注意將<path_to_tensorflow>替換爲models以前的絕對路徑。

git clone https://github.com/cocodataset/cocoapi.git
cd cocoapi/PythonAPI
make
cp -r pycocotools <path_to_tensorflow>/models/research/

這裏你已經完成了不少工做，從models/research執行如下命令

# From tensorflow/models/research/
protoc object_detection/protos/*.proto --python_out=.

#From tensorflow/models/research/
wget -O protobuf.zip https://github.com/google/protobuf/releases/download/v3.0.0/protoc-3.0.0-linux-x86_64.zip
unzip protobuf.zip

# From tensorflow/models/research/
./bin/protoc object_detection/protos/*.proto --python_out=.

這段代碼完成了對protobuf的編譯工做，這隻適用於linux。

接下來就是將pythonpath添加進path

# From tensorflow/models/research/
export PYTHONPATH=$PYTHONPATH:`pwd`:`pwd`/slim

 

接下來就是測試是否安裝成功了。

python object_detection/builders/model_builder_test.py

 

輸入以上指令，若是出現

.....................
----------------------------------------------------------------------
Ran 21 tests in 0.074s

OK

代表你安裝成功了。準備下一步吧。