首先我们说下前期准备工作

1.肯定要有能运行Tensorflow环境win10环境搭建

2.object_detection框架的安装  框架地址

3.protobuf 编译器

大概就这么多我们一步一步开始。

第一步就不多说了，没搭建好的先自己搭建好。

我们先去下载框架代码下来·········

下载完成后解压出来会有一个models-master的文件，文件应该比较大在2G左右。

文件结构

里面包含很多最新的网络模型和很多demo有兴趣的童鞋可以看下github上面的介绍，说的很详细。不过都是基于Linux。

我们的目标检测就在research/object_detection  

官方也有对该文件目录的简介和使用方法（Linux）。

接下来我们第三步下载的编译器就是用来编译object_detection里的porto文件的

在bin下有个exe文件，我们将这个bin目录直接添加到环境变量里面方便使用。

在cmd输入protoc

这就说明proto工具可以使用，然后我们开始编译object_detection下的protos文件下的所有proto文件。

我们在cmd切换到research目录下后输入protoc ./object_detection/protos/*.proto --python_out=.

编译完成后会生成很多.py文件

接下来在我们python环境下加入引用

我的目录为 D:\ProgramData\Anaconda3\envs\py36\Lib\site-packages

在这个目录下创建一个.pth的文件指明slim框架的位置，因为object_detection里面代码也调用了slim框架。

现在我们就可以跑下测试代码看看是否环境搭建完成，在我们的py36环境下运行python object_detection/builders/model_builder_test.py

出现OK就说明我们环境部署是没问题的，那我们在跑一个demo试试？

我们打开官方demo稍稍修改下就可以使用了，修改结果。

import numpy as np

import os

import six.moves.urllib as urllib

import sys

import tarfile

import tensorflow as tf

import zipfile

import matplotlib

import cv2

# Matplotlib chooses Xwindows backend by default.

matplotlib.use('Agg')

from collections import defaultdict

from io import StringIO

from matplotlib import pyplot as plt

from PIL import Image

from utils import label_map_util

from utils import visualization_utils as vis_util

##################### Download Model，如果本地已下载也可修改成本地路径

# What model to download.

MODEL_NAME = 'ssd_mobilenet_v1_coco_11_06_2017'

MODEL_FILE = MODEL_NAME + '.tar.gz'

DOWNLOAD_BASE = 'http://download.tensorflow.org/models/object_detection/'

# Path to frozen detection graph. This is the actual model that is used for the object detection.

PATH_TO_CKPT = MODEL_NAME + '/frozen_inference_graph.pb'

# List of the strings that is used to add correct label for each box.

PATH_TO_LABELS = os.path.join('data', 'mscoco_label_map.pbtxt')

NUM_CLASSES = 90

# Download model if not already downloaded

if not os.path.exists(PATH_TO_CKPT):

    print('Downloading model... (This may take over 5 minutes)')

    opener = urllib.request.URLopener()

    opener.retrieve(DOWNLOAD_BASE + MODEL_FILE, MODEL_FILE)

    print('Extracting...')

    tar_file = tarfile.open(MODEL_FILE)

    for file in tar_file.getmembers():

        file_name = os.path.basename(file.name)

        if 'frozen_inference_graph.pb' in file_name:

            tar_file.extract(file, os.getcwd())

else:

    print('Model already downloaded.')

##################### Load a (frozen) Tensorflow model into memory.

detection_graph = tf.Graph()

with detection_graph.as_default():

    od_graph_def = tf.GraphDef()

    with tf.gfile.GFile(PATH_TO_CKPT, 'rb') as fid:

        serialized_graph = fid.read()

        od_graph_def.ParseFromString(serialized_graph)

        tf.import_graph_def(od_graph_def, name='')

##################### Loading label map

print('Loading label map...')

label_map = label_map_util.load_labelmap(PATH_TO_LABELS)

categories = label_map_util.convert_label_map_to_categories(label_map, max_num_classes=NUM_CLASSES, use_display_name=True)

category_index = label_map_util.create_category_index(categories)

def load_image_into_numpy_array(image):

  (im_width, im_height) = image.size

  return np.array(image.getdata()).reshape(

      (im_height, im_width, 3)).astype(np.uint8)

# 测试图片的路径

TEST_IMAGE_PATH = 'test_images/test1.jpg'

# Size, in inches, of the output images.

IMAGE_SIZE = (12, 8)

with detection_graph.as_default():

  with tf.Session(graph=detection_graph) as sess:

    image = Image.open(TEST_IMAGE_PATH)

    image_np = load_image_into_numpy_array(image)

    image_np_expanded = np.expand_dims(image_np, axis=0)

    image_tensor = detection_graph.get_tensor_by_name('image_tensor:0')

    boxes = detection_graph.get_tensor_by_name('detection_boxes:0')

    scores = detection_graph.get_tensor_by_name('detection_scores:0')

    classes = detection_graph.get_tensor_by_name('detection_classes:0')

    num_detections = detection_graph.get_tensor_by_name('num_detections:0')

    # Actual detection.

    (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.

    vis_util.visualize_boxes_and_labels_on_image_array(

        image_np,

        np.squeeze(boxes),

        np.squeeze(classes).astype(np.int32),

        np.squeeze(scores),

        category_index,

        use_normalized_coordinates=True,

        line_thickness=8)

    print(TEST_IMAGE_PATH.split('.')[0]+'_labeled.jpg')

    plt.figure(figsize=IMAGE_SIZE, dpi=300)

    plt.imshow(image_np)

    plt.savefig(TEST_IMAGE_PATH.split('.')[0] + '_labeled.jpg')

上面就修改了下图片路径，和改变了图片的保存方式。

我们从网上随便找些图片放在我们测试文件夹下运行该代码，就会出现所预测的结果。

不过从结果上我们环境运行是没问题的，那我们就可以自己准备数据学习自己针对的目标检测。