Tensorflow object detection API(1)---环境搭建与测试

参考：

https://blog.csdn.net/dy_guox/article/details/79081499

https://blog.csdn.net/u010103202/article/details/79899293

https://www.jianshu.com/p/4ebaa78e0233

一、开发环境搭建

操作系统：Windows10 64位

TensorFlow：1.8

python：3.5

1.安装tensorflow_gpu版本的环境：

1）安装.Net Framework4.6

下载页面的链接为：https://www.microsoft.com/en-us/download/details.aspx?id=53344
下载页面如下图所示，点击下图红色箭头标注处即可开始下载：

点击Download按钮，其实是向资源链接发起请求，所以直接访问资源链接同样可以开始下载任务。
下载链接：https://www.microsoft.com/en-us/download/confirmation.aspx?id=53344

下载好直接双击，一路next

2）安装CUDA9.0

下载见：https://www.jianshu.com/p/c73668544925

安装默认路径就好，一路下一步，如果提示兼容性不兼容请无视，安装模式选择精简，下一步勾选下图中的上方红色方框标注处，然后NEXT按钮会亮起。
点击下图中的下方红色箭头标注处中的NEXT按钮，进入下一步。

注意： 对应的显卡驱动，如果驱动较新，在安装CUDA的时候会有提示可能不兼容，可以无视。

接下来就等待安装就好，结束界面中两个可选项不用勾选。
点击下图中的下方红色箭头标注处中的关闭，安装CUDA9.0结束。。

3）安装cudnn7.3

下载见：https://www.jianshu.com/p/4ebaa78e0233

下载后解压，将文件夹cuda中有3个文件夹：bin、include、lib，和1个文件NVIDIA_SLA_cuDNN_Support.txt复制粘贴到CUDA安装路径下

本文作者的CUDA安装路径：C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.0

4）安装tensorflow_gpu

第一种方法

下载见：https://www.jianshu.com/p/4ebaa78e0233

运行pip install命令安装本地WHL文件

在放tensorflow_gpu-1.10.0-cp36-cp36m-win_amd64.whl的文件夹打开cmd，在cmd中输入命令：pip install tensorflow_gpu-1.10.0-cp36-cp36m-win_amd64.whl，然后按Enter键运行命令。

最后出现Successfully开头即为成功。

第二种方法：

Tensorflow有CPU版本与GPU版本，首先安装CPU版本。采用pip原生安装。“开始-Anaconda3-Anaconda Prompt”调出命令行。

pip install --upgrade tensorflow然后安装GPU版本。此过程中有报错，

先运行conda install pip更新pip程序即可。

pip install --upgrade tensorflow-gpu

运行pip install命令安装msgpack库

考虑到部分读者可能没有安装运行tensorflow必需的msgpack库。
在cmd中输入命令：pip install msgpack，然后按Enter键运行命令。

二.测试自带案例

1.安装object detection API环境

1、下载TensorFlow object detection API

https://github.com/tensorflow/models

我们需要的目标检测在model文件夹下的research文件夹里

也可以直接访问：

https://github.com/tensorflow/models/tree/master/research/object_detection

下载代码库

在models代码库的界面中，有下载整个代码库的按钮，如下图红色箭头标注处所示：

下载到本地目录（避免中文），解压。

2.下载Protobuf

目的是将proto文件转成py文件

Protobuf(Google Protocol Buffers)是google开发的的一套用于数据存储，网络通信时用于协议编解码的工具库。它和XML和Json数据差不多，把数据已某种形式保存起来。Protobuf相对与XML和Json的不同之处，它是一种二进制的数据格式，具有更高的传输，打包和解包效率。
下载Protobuf网址：https://github.com/google/protobuf/releases
下载Protobuf网址页面如下图所示，下图中红色箭头标注处是Protobuf在操作系统Windows中可以直接运行的protoc程序，下载该压缩文件protoc-3.4.1-win32.zip。

将压缩文件protoc-3.4.1-win32.zip解压后的bin文件夹protoc.exe复制到路径：C:\\Windows

将object_detection\protos文件夹下的.proto文件转成.py

可以看到有很多proto文件

第一种方法

用这段代码将object_detection\protos文件夹下的.proto文件转成.py，只需将E:\目标检测\models-master\research\object_detection\protos/改成你的文件路径

 import os
 file_list = os.listdir(r'E:\目标检测\models-master\research\object_detection\protos/')
 proto_list = [file for file in file_list if '.proto' in file]
 print('object_detection/proto文件夹中共有%d个proto文件' %len(proto_list))
 for proto in proto_list:
     execute_command = 'protoc object_detection/protos/%s --python_out=.' %proto
     os.popen(execute_command)
 file_list = os.listdir(r'E:\目标检测\models-master\research\object_detection\protos/')
 py_list = [file for file in file_list if '.py' in file]
 print('通过protoc命令产生的py文件共有%d个' %(len(py_list) - ))

结果是：

object_detection/proto文件夹中共有29个proto文件
通过protoc命令产生的py文件共有29个

就是修改成功，你可以进入protos文件夹查看每个proto文件下都有一个对应的py文件。

第二种方法:

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

在这一步有时候会出错，可以尝试把/*.proto 这部分改成文件夹下具体的文件名，一个一个试，每运行一个，文件夹下应该

出现对应的.py结尾的文件。不报错即可。

3、PYTHONPATH 环境变量设置

在 ‘此电脑’-‘属性’- ‘高级系统设置’ -‘环境变量’-‘系统变量’ 中新建名为‘PYTHONPATH’的变量，将

models/research/ 及 models/research/slim 两个文件夹的完整目录添加，分号隔开。

接下来可以测试API，在 models/research/ 文件夹下运行命令行：

python object_detection/builders/model_builder_test.p

不报错说明运行成功。

4.测试自带案例

“开始-Anaconda3-Anaconda Prompt”调出命令行，改变工作目录至 models\research\object_detection

然后输入jupyter notebook，就会调用浏览器打开当前文件夹，点开 object_detection_tutorial.ipynb，

在新标签页中打开 Object Detection Demo，点击上方的 “Cell”-"Run All"，

就可以直接看到结果，最后输出的是两张图片的识别结果，分别是狗，以及沙滩。第一次运行由于需要下载训练好的模型，耗时较长。第二次之后可以将 .ipynb文件中 Download Model 即 in[5]部分的代码注释掉，以加快运行速度。


如果在notebook中运行有问题，可以将.ipynb中in[]的代码复制到.py中，然后在 开始-Anaconda3-spyder 中运行。

至此Tensorflow object detection API 的环境搭建与测试工作完成。