自己看着网上的很多教程摸索了好几天，终于能够自己训练。事实上，网上关于这个API的教程还是非常多的，但我实际做起来发现其实在某些关键部分缺少点步骤，会把我这样的小白搞得一头雾水、无从下手，最后在无穷无尽的报错中崩溃。所以我决定写这篇笔记，一来帮助最初像我一样的小白轻松搞定，二来就是为自己做笔记 ，以后万一忘记了，可以回来看看回想一下。
cpu或gpu版本都可，具体怎么安装我就不介绍了，2.0版本我也试过，只有一步骤我暂时没有办法用2.0解决所以不写2.0。
报错：AttributeError: module 'tensorflow' has no attribute 'contrib'
这个库在测试环节和训练环节使用，而tf2.0移除了contrib。就是这个原因使得我无法用tf2.0成功训练模型。
其他步骤1.0和2.0通用。因为我用的是高版本的1.0，可以识别一些2.0的内容，所以我的代码都改成适用于2.0的内容。例如tf.Session ->tf.compat.v1.Session
当然tf2.0也有专门升级的代码：
tf_upgrade_v2 --infile foo.py --outfile foo-upgraded.py
#tf_upgrade_v2 --infile 1.*版.py文件 --outfile 生成的2.0版.py文件
正式开始前，我还想说明下，有些类似报错找不到这个库的问题，我这里就不多说了，直接去anaconda去下载缺少的库，一些特殊的库我会特别说一下的。
另外，我这篇是自己的学习笔记，我也用了大量的别人的代码，用了的我基本都会写明出处，如果不妥的，请手下留情。
首先，我们得从GitHub上下载object detection。下载地址如下：
https://github.com/tensorflow/models
下载后解压你就会得到models-master的文件夹（ps：他文件里的路径都叫models，不知道为什么解压后叫models-master，这里因为我自己是改成models了，为了方便我自己截图演示，后面出现的都是models）
激活tensorflow环境，来到models/research/object_detection/ 文件夹下你会看到一个object_detection_tutorial.ipynb文件，这是一个demo文件，在tensorflow环境下用jupyter打开它出现如下界面：（我现在时间是2020.2.26，这是现在最新的版本）
我们按照他的install步骤一步步来：
第一行：安装tensorflow2.0，我们不要理他，1.0也是可以用的，把这句话用#注释掉或直接删掉。
第二行：安装pycocotools，windows安装pycocotools必须先得安装cython，所以我们先去下载cython到tensorflow的环境里。你可以使用命令行，但我没试过，我是在anaconda里完成的，我个人感觉很方便。
安装cython后，你还要去网上安装git。
然后你要么在jupyter里运行这一行代码。我实际操作中感觉太慢了，就去上网找了另一个方法。在tf环境下用命令行：
pip install git+https://github.com/philferriere/cocoapi.git#subdirectory=PythonAPI
这好像是哪个大佬写的支持 Windows 的 COCO 地址，原网址是：https://www.jianshu.com/p/8658cda3d553
需要注意的是这个网是国外的，所以国内下载还是会有点慢，你要不等着要不那个（不说了）
第三行：可运行可不运行，就是下载这个API
第四行：配置路径，在jupyter里运行这个代码有点慢，所以我直接在命令行里操作
这里还需要提前安装protoc
cd models/research/
protoc object_detection/protos/*.proto --python_out=.
第五行：安装包，也是直接在命令行操作
pip install .
至此，我们也就完全搭好了环境，install的代码以后其基本都不会用了，全部注释掉或者删掉。接下来直接所有的运行代码，也许你会成功，但我是失败的，我到最后要出结果的时候内核死机了，一开始我为了这个问题苦苦寻求答案很久，直到最近我才发觉这可能是系统的问题，因为写这代码的人是在Linux上运行的，可能代码里的哪一部分与win有冲突，反正这demo代码里有块内容是运行不起来的，不是我们环境和电脑的问题。
办法嘛，是有的，我找了好多教程，才找到一个适合我们这种情况的代码
import os
import sys
import cv2
import numpy as np
import tensorflow as tf
sys.path.append("..")
from utils import label_map_util
from utils import visualization_utils as vis_util
class TOD(object):
def __init__(self):
# 这是用于对象检测的实际模型的路径，如果没有这个pb文件，说明你还未下载。可以用demo里的下载代码来替换。
self.PATH_TO_CKPT = 'ssd_mobilenet_v1_coco_2017_11_17/frozen_inference_graph.pb'
# 用于为每个框添加正确标签的字符串的列表的路径。
self.PATH_TO_LABELS = os.path.join('data', 'mscoco_label_map.pbtxt')
self.NUM_CLASSES = 90
self.detection_graph = self._load_model()
self.category_index = self._load_label_map()
def _load_model(self):
detection_graph = tf.Graph()
with detection_graph.as_default():
od_graph_def = tf.compat.v1.GraphDef()
with tf.io.gfile.GFile(self.PATH_TO_CKPT, 'rb') as fid:
serialized_graph = fid.read()
od_graph_def.ParseFromString(serialized_graph)
tf.import_graph_def(od_graph_def, name='')
return detection_graph
def _load_label_map(self):
label_map = label_map_util.load_labelmap(self.PATH_TO_LABELS)
categories = label_map_util.convert_label_map_to_categories(label_map, max_num_classes=self.NUM_CLASSES, use_display_name=True)
category_index = label_map_util.create_category_index(categories)
return category_index
def detect(self, image):
with self.detection_graph.as_default():
with tf.compat.v1.Session(graph=self.detection_graph) as sess:
# Expand dimensions since the model expects images to have shape: [1, None, None, 3] 扩展维度，因为模型期望图像具有以下形状:[1,None, None, 3]
image_np_expanded = np.expand_dims(image, axis=0)
image_tensor = self.detection_graph.get_tensor_by_name('image_tensor:0')
# Each box represents a part of the image where a particular object was detected. 每个框表示检测到特定对象的图像的一部分。
boxes = self.detection_graph.get_tensor_by_name('detection_boxes:0')
# Each score represent how level of confidence for each of the objects. 每个分数表示每个对象的置信度。
# Score is shown on the result image, together with the class label. 分数与类标签一起显示在结果图像上。
scores = self.detection_graph.get_tensor_by_name('detection_scores:0')
classes = self.detection_graph.get_tensor_by_name('detection_classes:0')
num_detections = self.detection_graph.get_tensor_by_name('num_detections:0')
# Actual detection. 实际检测。
(boxes, scores, classes, num_detections) = sess.run(
[boxes, scores, classes, num_detections],
feed_dict={image_tensor: image_np_expanded})
# Visualization of the results of a detection. 检测结果的可视化。
vis_util.visualize_boxes_and_labels_on_image_array(
image,
np.squeeze(boxes),
np.squeeze(classes).astype(np.int32),
np.squeeze(scores),
self.category_index,
use_normalized_coordinates=True,
line_thickness=8)
while True:
cv2.namedWindow("detection", cv2.WINDOW_NORMAL)
cv2.imshow("detection", image)
if cv2.waitKey(110) & 0xff == 27:
break
if __name__ == '__main__':
image = cv2.imread('test_images/image1.jpg')#测试照片的路径
detecotr = TOD()
detecotr.detect(image)
该代码出自Tensorflow object detection API 搭建属于自己的物体识别模型（转载修改）这篇文章。我个人是非常感谢这位博主，它解决了我的测试不成功的问题，上面这个代码要注意的是三个路径，我在代码里已经标注出来了，这三个地方根据自己文件夹的情况自行更改。测试路径你也可以改成一个for循环测试一组图片。
运行此代码，这张带标注的照片终于出现了：
因为之前被内核死掉的事崩溃太久了，我不仅新版本demo会崩溃，老版本的demo也是加载不出照片，只有这个用上cv的代码才可以。这张照片一出来，我当时才舒了一口气，顿时对后面的训练充满信心了有木有。
下一篇我们继续，接下来是生成训练文件的事了…
如果你知道具体的原因，可以的话就教教我吧，在下面的评论留个言或者私我。
2020年tensorflow定制训练模型笔记（1）——object detection的安装
2020年tensorflow定制训练模型笔记（2）——制作标签
2020年tensorflow定制训练模型笔记（3）——开始训练
目前官方已经更新了这个库，我提供的这个demo文件会报一些错误，如果你不可以解决这些错误，请使用官方的demo。
如果你和我一样无法使用官方的demo，你也不在乎指定用哪个库来完成目标检测，那就可以移步至我的关于yolov5的笔记
yolov5笔记（1）——安装pytorch_GPU（win10+anaconda3）