tensorflow利用预训练模型进行目标检测（一）：安装tensorflow detection api

一、tensorflow安装

首先系统中已经安装了两个版本的tensorflow，一个是通过keras安装的， 一个是按照官网教程https://www.tensorflow.org/install/install_linux#InstallingNativePip使用Virtualenv 进行安装的，第二个在根目录下，做标记以防忘记。

安装教程：

使用 Virtualenv 进行安装
请按照以下步骤使用 Virtualenv 安装 TensorFlow：

发出下列其中一条命令来安装 pip 和 Virtualenv：

$ sudo apt-get install python-pip python-dev python-virtualenv # for Python 2.7
$ sudo apt-get install python3-pip python3-dev python-virtualenv # for Python 3.n
发出下列其中一条命令来创建 Virtualenv 环境：

$ virtualenv --system-site-packages targetDirectory # for Python 2.7
$ virtualenv --system-site-packages -p python3 targetDirectory # for Python 3.n
targetDirectory 用于指定 Virtualenv 树的顶层目录。我们的指令假定 targetDirectory 为 ~/tensorflow，但您可以选择任何目录。

通过发出下列其中一条命令激活 Virtualenv 环境：

$ source ~/tensorflow/bin/activate # bash, sh, ksh, or zsh
$ source ~/tensorflow/bin/activate.csh  # csh or tcsh
$ . ~/tensorflow/bin/activate.fish  # fish
执行上述 source 命令后，您的提示符应该会变成如下内容：

(tensorflow)$
确保安装了 pip 8.1 或更高版本：

(tensorflow)$ easy_install -U pip
发出下列其中一条命令以在活动 Virtualenv 环境中安装 TensorFlow：

(tensorflow)$ pip install --upgrade tensorflow      # for Python 2.7
(tensorflow)$ pip3 install --upgrade tensorflow     # for Python 3.n
(tensorflow)$ pip install --upgrade tensorflow-gpu  # for Python 2.7 and GPU
(tensorflow)$ pip3 install --upgrade tensorflow-gpu # for Python 3.n and GPU
如果上述命令执行成功，请跳过第 6 步。如果上述命令执行失败，请执行第 6 步。

（可选）如果第 5 步执行失败（通常是因为您所调用的 pip 版本低于 8.1），请通过发出以下格式的命令，在活动 Virtualenv 环境中安装 TensorFlow：

(tensorflow)$ pip install --upgrade tfBinaryURL   # Python 2.7
(tensorflow)$ pip3 install --upgrade tfBinaryURL  # Python 3.n
其中 tfBinaryURL 表示 TensorFlow Python 软件包的网址。tfBinaryURL 的正确值取决于操作系统、Python 版本和 GPU 支持。可在此处查找适合您系统的 tfBinaryURL 值。例如，如果您要为装有 Python 3.4 的 Linux 安装仅支持 CPU 的 TensorFlow，则发出以下命令以在活动 Virtualenv 环境中安装 TensorFlow：

(tensorflow)$ pip3 install --upgrade 

 https://download.tensorflow.google.cn/linux/cpu/tensorflow-1.8.0-cp34-cp34m-linux_x86_64.whl
如果您遇到任何安装问题，请参阅常见的安装问题。

后续步骤
安装 TensorFlow 后，请验证安装。

请注意，每次使用 TensorFlow 时，您都必须激活 Virtualenv 环境。如果 Virtualenv 环境当前未处于活动状态，请调用以下命令之一：

 $ source ~/tensorflow/bin/activate      # bash, sh, ksh, or zsh
$ source ~/tensorflow/bin/activate.csh  # csh or tcsh
在 Virtualenv 环境激活后，您就可以从这个 shell 运行 TensorFlow 程序。您的提示符将变成如下所示，这表示您的 Tensorflow 环境已处于活动状态：

(tensorflow)$
用完 TensorFlow 后，可以通过发出以下命令调用 deactivate 函数来停用环境：

(tensorflow)$ deactivate
提示符将恢复为您的默认提示符（由 PS1 环境变量所定义）。

卸载 TensorFlow
要卸载 TensorFlow，只需移除您创建的树即可。例如：

$ rm -r targetDirectory 

二、detection api配置

参考链接：https://www.jianshu.com/p/86894ccaa407 https://www.cnblogs.com/qcloud1001/p/7677661.html  https://lijiancheng0614.github.io/2017/08/22/2017_08_22_TensorFlow-Object-Detection-API/

Tensorflow在更新1.0版本之后多了很多新功能，其中放出了很多用tf框架写的深度网络结构（https://github.com/tensorflow/models ），大大降低了开发难度，利用现成的网络结构，无论fine-tuning还是重新训练方便了不少。最近笔者终于跑通TensorFlow Object Detection API的ssd_mobilenet_v1模型，这里记录下如何完整跑通数据准备到模型使用的整个过程，相信对自己和一些同学能有所帮助。

Object Detection API提供了5种网络结构的预训练的权重，全部是用COCO数据集进行训练，这五种模型分别是SSD+mobilenet、SSD+inception_v2、R-FCN+resnet101、faster RCNN+resnet101、faster RCNN+inception+resnet101。各个模型的精度和计算所需时间如下。下面及介绍下如何使用Object Detection去训练自己的模型。

使用 git 克隆 models 部分到本地，在终端输入指令：

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

使用 protoc 编译

在 models/research 目录下的终端执行：

$ protoc object_detection/protos/*.proto --python_out=.

将 object_detection/protos/ 文件下的以 .proto 为后缀的文件编译为 .py 文件输出。

出现老问题，本服务器中安装caffe时依赖的为低版本的protoc，但是tensorflow需要高版本的protoc，在编译时报错

object_detection/protos/anchor_generator.proto:12:3: Expected "required", "optional", or "repeated".
object_detection/protos/anchor_generator.proto:12:32: Missing field number.

几个查看protobuf版本信息之类的命令

查看哪些路径安装了protoc：

whereis protoc

可以看到系统中安装了两个protoc

查看默认调用的protoc是哪个：

which protoc

查看默认的protoc的版本：

protoc --version

查看pip安装的protoc的信息：(我的话就显示我在anaconda下的3.5+的版本了)

pip show protobuf

可以看到系统中存在着两个版本的protoc，现在的问题是如何在不改变默认版本protoc的情况下， 调用高版本的对tensorflow进行编译

根据https://blog.csdn.net/strangerzz/article/details/73850484，考虑新装一个protoc3.0.2版本，并软连接/usr/local/bin/protoc3.0.2，这样，当我使用protoc命令时，调用的还是2.5.0版本。当我使用protoc3.0.2命令时，调用的是protoc3.0.2版本。然后当编译其他软件时，如果需要不同的版本，在Makefile中指定具体的版本。待验证可行性

安装protoc3.0.2
进入源码所在路径(比如为$PROTO_HOME)

cd $PROTO_HOME

更换到指定版本

git checkout v3.0.2

配置编译后的输出路径(比如为$PROTOC_3_0_2)

./configure --prefix=$PROTOC_3_0_2

编译

sudo make

sudo make install

制作软连接

ln -s $PROTOC_3_0_2/bin/protoc /usr/local/bin/protoc3.0.2
然后通过命令 protoc3.0.2 object_detection/protos/*.proto --python_out=. 进行编译

问题解决，继续下一步

配置环境变量

在 .bashrc 文件中加入环境变量。首先打开 .bashrc 文件：

$ sudo gedit ~/.bashrc

然后在文件末尾加入新行：

export PYTHONPATH=$PYTHONPATH:/.../models/research:/.../models/research/slim

其中省略号所在的两个目录需要填写为 models/research 文件夹、models/research/slim 文件夹的完整目录。保存之后执行如下指令：

$ source ~/.bashrc

让改动立即生效。

测试是否安装成功

在 models/research 文件下执行：

$ python/python3 object_detection/builders/model_builder_test.py

如果返回 OK，表示安装成功

不过出现问题

Traceback (most recent call last):
  File "object_detection/builders/model_builder_test.py", line 23, in <module>
    from object_detection.builders import model_builder
  File "/home/yanjieliu/models/models/research/object_detection/builders/model_builder.py", line 22, in <module>
    from object_detection.builders import box_predictor_builder
  File "/home/yanjieliu/models/models/research/object_detection/builders/box_predictor_builder.py", line 21, in <module>
    from object_detection.predictors import convolutional_box_predictor
  File "/home/yanjieliu/models/models/research/object_detection/predictors/convolutional_box_predictor.py", line 19, in <module>
    from object_detection.core import box_predictor
  File "/home/yanjieliu/models/models/research/object_detection/core/box_predictor.py", line 137, in <module>
    class KerasBoxPredictor(tf.keras.Model):
AttributeError: 'module' object has no attribute 'keras'

解决方法：https://blog.csdn.net/qq_41185868/article/details/82890428

升级tensorflow到最新版本即可！ pip install -U tensorflow

升级完之后是到了tensorflow-1.11.0版本

但是之前在装keras的时候因为部分原因降到了1.2版本，现在升回来可能会出现问题。先这样吧

安装完成。

三、下载预训练模型

根据：https://lijiancheng0614.github.io/2017/08/22/2017_08_22_TensorFlow-Object-Detection-API/  下载预训练模型

# From tensorflow/models/object_detection/
mkdir checkpoints
cd checkpoints
wget http://download.tensorflow.org/models/object_detection/ssd_mobilenet_v1_coco_11_06_2017.tar.gz
tar zxf ssd_mobilenet_v1_coco_11_06_2017.tar.gz

另外可到https://github.com/tensorflow/models/blob/master/research/object_detection/g3doc/detection_model_zoo.md下载预训练模型，将上边命令中的模型名更换一下即可