[神经网络]一步一步使用Mobile-Net完成视觉识别（一）

1.环境配置

2.数据集获取

3.训练集获取

4.训练

5.调用测试训练结果

6.代码讲解

　　本文是第一篇，环境配置篇。

先打开tensorflow object detection api 看看需要什么配置。

当然，我写的教程不是很详细，详细的请看官方的教程：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

在安装之前，我们先把这个object detection model 给git下来，在任意目录下，命令行输入以下命令。

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

完成之后就能看到一个model文件夹，当然，git命令使用的基础是你已经安装了git，怎么安装git自己百度吧。。

下一步安装tensorflow，安装过的可以直接跳过。

# 如果你要用CPU，就用下面的代码
pip install tensorflow
#如果你用GPU，就用这里的代码
pip install tensorflow-gpu

当然，pip命令使用的基础是你已经安装了pip，如果你不会安装，请自行百度。

我默认你已经完成了上面的操作，下面就开始安装其他东西。

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

命令行里输入以上的命令，完成Cython等库的安装。

下一步至关重要，你需要安装COCOAPI。

在任何一个目录下将cocoapi 给git下来，进入python api目录，编译。

然后进入之前输入make之后的指令，清注意将<path_to_tensorflow>替换为models之前的绝对路径。

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

这里你已经完成了很多工作，从models/research执行以下命令

# 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=.

这段代码完成了对protobuf的编译工作，这只适用于linux。

接下来就是将pythonpath添加进path

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

接下来就是测试是否安装成功了。

python object_detection/builders/model_builder_test.py

输入以上指令，如果出现

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

OK

表明你安装成功了。准备下一步吧。